مشخصات مقاله:
عنوان فارسی مقاله:
یادگیری ساختاری در شبکه های عصبی مصنوعی با استفاده از بهینه سازی تنک
عنوان انگلیسی مقاله:
Structural learning in artificial neural networks using sparse optimization
کلمات کلیدی مقاله:
یادگیری ساختاری، شبکه های عصبی مصنوعی، بهینه سازی تنک، وزن دهی مجدد تکراری
مناسب برای رشته های دانشگاهی زیر:
مهندسی صنایع و کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
بهینه سازی سیستم ها، مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
نکات برجسته
چکیده
مقدمه
ساختار شبکه و نشان گذاری
همبندی تنک در شبکه های عصبی
3-1 بهینه سازی تنک
3-2 راه حل های تقریبی (P*0)
3-3 جستجوی خط پس گرد
آزمایش ها
4-1 مثال تشریحی
4-2 مثال تشریحی: طبقه بندی
4-3 مطالعه موردی: تخمین بازیافت حرارت تلف شده در کشتی ها
نتیجه گیری اظهارات
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Selecting the structure of models and estimating model parameters are fundamental tasks in many fields of science and engineering. Artificial neural networks (ANN) provide a non-linear way of mapping relations between inputs and outputs, and are often used as black-box models for systems where the underlying dynamics are either unknown or complex. ANN:s have been shown to approximate any continuous function to arbitrary accuracy, provided that the number of nodes is sufficiently large [1]. Thus, large networks can exactly represent an arbitrary training set, and the risk of overfitting the model to noisy data is high. This will often result in bad generalization on new data [2]. Hence, it can be beneficial to keep the network size as small as possible, while maintaining good fit to the data. By reducing the size of the networks and by allowing sparse connectivity, generalization is expected to be improved.
1- مقدمه
انتخاب ساختار مدل ها و تخمین پارامترهای مدل وظایفی بنیادی در بسیاری از رشته های علمی و مهندسی هستند. شبکه های عصبی مصنوعی (ANN) روش غیر خطی نگاشت روابط ورودی ها و خروجی ها را فراهم می کنند و اغلب به صورت مدل های جعبه سیاه در جایی استفاده می شوند که دینامیک های زمینه مجهول یا پیچیده هستند. نشان داده شده است که ANNها با این شرط که تعداد گره ها به اندازه کافی بزرگ باشد (1) هر تابع پیوسته ای را با دقت دلخواه تقریب می زنند. بنابراین شبکه های بزرگ می توانند دقیقاً بیانگر یک مجموعه آموزشی دلخواه باشند و خطر بیش برازش مدل به داده های نویزدار بالا است. این امر اغلب منجر به تعمیم نامناسب روی داده های جدید می شود (2). بنابراین تا حد امکان کوچک نگه داشتن اندازه شبکه همزمان با حفظ برازش خوبی برای داده ها می تواند کارآمد باشد. انتظار می رود که با کاهش اندازه شبکه ها و فراهم کردن امکان همبندی تنک تعمیم بهبود یابد.