بهبود عملکرد شبکه عصبی در طبقه بندی به وسیله الگوریتم توده ذرات

Abstract

کارآیی شبکه های عصبی مصنوعی به فرآیند یادگیری مرتبط است و توانایی آنها به عنوان یک جعبه سیاه بدون مدل در یادگیری روابط داخلی یک سیستم ناشناخته، سبب شده است که تحقیقات زیادی در زمینه گسترش موارد مرتبط با شبکه مثل نوع شبکه، ساختار، الگوریتم یادگیری و نحوه انتخاب پارامترها، صورت پذیرد که هم اکنون نیز ادامه دارد. ابعاد بالا، گیر افتادن در دام مینیمم محلی، همگرایی کند و هزینه محاسباتی بالا در آموزش شبکه های عصبی بسیار تأثیرگذار است. هدف این مقاله ارائه راهکاری جدید برای بهبود عملکرد شبکه عصبی در طبقه یندی دادههای غیر خطی است. بدین منظور رویکردی مناسب برای آموزش و پیدا کردن اوزان شبکه عصبی پیشنهاد شدهاست. در این رویکرد ابتدا شبکه عصبی چند لایه، اوزان و بایاسهای مربوط به شبکهای که قادر است دادههای غیر خطی مورد نظر را طبقهبندی کند، بدست میآورد. سپس وزنها و بایاسهای این شبکه عصبی به واسطه الگوریتم توده ذرات ( )PSOبگونهای بهینه میشود که خطای طبقهبندی کاهش یابد. اعمال اوزان وبایاسهای بدست آمده از شبکه عصبی به الگوریتم توده ذرات سبب میگردد الگوریتم جستجوی محلی مناسب تری انجام داده و اوزان دقیق تری برای شبکه عصبی تعیین گردد. همچنین در شبیهسازیهای انجام شده، طرح پیشنهادی عملکرد بهتری را نسبت به شبکه عصبی که از الگوریتم تندترین شیب برای آموزش شبکه عصبی و درنتیجه کاهش خطای طبقه بندی استفاده میکند و شبکه عصبی که از الگوریتم PSOبرای این منظور استفاده میکند، به نمایش میگذارد