دوره 10، شماره 35 و 36 - ( 1-1397 )
جلد 10 شماره 35 و 36 صفحات 1-14 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Moallem P. Modified orthogonal chaotic imperialist competitive algorithm and its application to improve pattern recognition in the multilayer perceptron neural network. فصلنامه فناوری اطلاعات. 2018; 10 (35 and 36) :1-14
URL: http://jor.iranaict.ir/article-1-663-fa.html
URL: http://jor.iranaict.ir/article-1-663-fa.html
معلم پیمان، صادق حریری مهرداد، هاشمی مهدی. الگوریتم رقابت استعماری آشوبی متعامد اصلاح شده و بکارگیری آن در بهبود بازشناسی الگو در شبکۀ عصبی پرسپترون های چند لایه . فصلنامه فناور اطلاعات و اتباطات ایران. 1397; 10 (35 و 36) :1-14
دانشگاه اصفهان
چکیده: (150 مشاهده)
علی رغم موفقیت الگوریتم رقابت استعماری (ICA) در حل مسائل بهینه سازی، این الگوریتم کماکان از به دام افتادن مکرر در کمینه محلی و سرعت پایین همگرایی رنج می برد. در این مقاله، نسخۀ جدیدی از این الگوریتم، به نام رقابت استعماری آشوبی متعامد اصلاح شده (COICA)، پیشنهاد می شود. در سیاست جذب نسخه پیشنهادی، هرمستعمره از طریق تعریف بردار متعامد نوینی، فضای حرکت به سمت استعمارگر را جستجو می کند. همچنین احتمال انتخاب امپراطوری های قدرتمند، از طریق تابع توزیع بولتزمان تعریف شده و عمل انتخاب از طریق روش چرخ رولت انجام گرفته است. از الگوریتم پیشنهادی برای آموزش شبکه عصبی پرسپترون چند لایه (MLP) جهت طبقه بندی مجموعه داده های استاندارد، از جمله یونسفر و سونار استفاده شده است. برای ارزیابی عملکرد این الگوریتم و بررسی میزان تعمیم پذیری شبکه عصبی آموزش دیده با نسخه پیشنهادی، از روش اعتبارسنجی متقابل K-Fold استفاده شده است. نتایج بدست آمده از شبیه سازی ها، کاهش خطای آموزش شبکه و همچنین بهبود تعمیم پذیری الگوریتم پیشنهادی را تایید می کند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هوش مصنوعی و رباتیک
دریافت: ۱۳۹۴/۱/۷ | پذیرش: ۱۳۹۶/۴/۹ | انتشار: ۱۳۹۹/۲/۳
دریافت: ۱۳۹۴/۱/۷ | پذیرش: ۱۳۹۶/۴/۹ | انتشار: ۱۳۹۹/۲/۳
ارسال پیام به نویسنده مسئول
