دانلود مقاله ترجمه شده آموزش بدون نظارت با بهینه سازی پارامتر شبکه عصبی اسپک – مجله IEEE
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
ویژگی های تکاملی و بهینه سازی پارامتر شبکه های عصبی اسپک برای یادگیری بدون نظارت |
عنوان انگلیسی مقاله: |
Evolutionary Features and Parameter Optimization of Spiking Neural Networks for Unsupervised Learning |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۴ |
تعداد صفحات مقاله انگلیسی | ۸ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | هوش مصنوعی، مهندسی الگوریتم ها و محاسبات و برنامه نویسی کامپیوتر |
مجله | کنفرانس بین المللی مشترک در شبکه های عصبی |
دانشگاه | پکن، چین |
شناسه شاپا یا ISSN | ISSN ۲۱۶۱-۴۴۰۷ |
رفرنس | دارد |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
نشریه | IEEE |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۲۰ صفحه |
ترجمه عناوین تصاویر و جداول | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه شده است |
ترجمه متون داخل جداول | ترجمه شده است |
درج تصاویر در فایل ترجمه | درج شده است |
درج جداول در فایل ترجمه | درج شده است |
درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
I. مقدمه
II. آموزش بدون نظارت با نورون اسپک
III. الگوریتم های تکاملی
A. الگوریتم تکاملی الهام گرفته شده از کوانتوم با دودویی-و واقعی (QIEA-BR)
B. بهینه سازی با استفاده از روش برنامه نویسی ژنتیک (OGP)
IV. چارچوب عصبی تکاملی
A. شبکه عصبی اسپایک کوانتومی باینری واقعی در حال تکامل
B. شبکه عصبی اسپایک بهینه سازی شده توسط برنامه نویسی ژنتیکی
V. نتایج تجربی
A. آزمایش ها
B. نتایج
VI. نتیجه گیری
- بخشی از ترجمه:
VI.نتیجه گیری
این کار دو مدل جدید عصبی تکاملی برای انتخاب پارامتر و ویژگی جهت خوشه بندی مسائل پیشنهاد کرده است، که SNN-OGP و QbrSNN نامیده می شوند. ویژگی های هر دو مدل SNN-OGP و QbrSNN از جمله تدوین کروموزوم هر فرد (مقادیر واقعی و باینری) و تابع ارزیابی، انتخاب و روش نوترکیبی، شرح داده شد. ما از مجموعه ای ۸ معیاری از مخزن UCI برای ارزیابی هر دو مدل استفاده کردیم. نتایج نشان می دهد که SNN-OGP و QbrSNN به طور قابل توجهی عملکرد بهتری نسبت به SNN استاندارد با ارزیابی کمتر نشان می دهند. با مقایسه این دو روش می توان دریافت که، QbrSNN در بسیاری از موارد خوشه بندی با کیفیت تری از SNN-OGP دارد. با این حال، QbrSNN به طور متوسط ۴۰ درصد بیشتر از SNN-OGP به تلاشهای محاسباتی نیاز دارد. بنابراین، کاربر باید این مبادله را در هنگام استفاده از QbrSNN برای انتخاب ویژگی و بهینه سازی پارامتر در نظر بگیرد.
آثار آینده می توانند هر دو مدل را برای یادگیری تحت نظارت مانند طبقه بندی و پیش بینی مسائل گسترش دهند. تحقیقات دیگر می تواند یک آنالیز رفتاری بر روی پارامترهای الگوریتم های تکاملی (به عنوان مثال، اندازه جمعیت و نرخ نوترکیبی) انجام داده و تاثیر آنها را بر روی کیفیت نهایی خوشه بندی ارزیابی کند. در نهایت، هر دو مدل می توانند با یک مجموعه بزرگتر از معیارها با استفاده از دیگر رویکردهای تکاملی، برای پیدا کردن الگوریتم تکاملی مناسب تر برای انتخاب ویژگی و انتخاب پارامتر SNN ارزیابی شوند.
- بخشی از مقاله انگلیسی:
VI. CONCLUSIONS
This work proposed two new neuro-evolutionary models for parameter and feature selection for clustering problems, termed SNN-OGP and QbrSNN. The characteristics of both SNN-OGP and QbrSNN were described, including the chromosome codification of each individual (real and binary values) and the evaluation function, selection, and recombination procedures. We used a set of 8 benchmarks from the UCI repository to evaluate both models. The results demonstrate that SNN-OGP and QbrSNN are feasible in that they significantly outperformed a standard SNN with fewer evaluations. When comparing both approaches, QbrSNN yielded a slightly higher-quality clustering than SNN-OGP in most cases. However, QbrSNN required an average of 40% more computational effort than SNN-OGP. Therefore, the user must consider this trade-off when applying QbrSNN for feature selection and parameter optimization. Future works can extend both models for supervised learning, such as classification and forecasting problems. Other research can perform a behavioral analysis on the evolutionary algorithms’ parameters (e.g., population size, recombination rates) and evaluate their influence on the final clustering quality. Finally, both models can be evaluating with a larger set of benchmarks using other evolutionary approaches to find the most suitable evolutionary algorithm for feature selection and SNN parameter selection.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
آموزش بدون نظارت با بهینه سازی پارامتر شبکه عصبی اسپک |
عنوان انگلیسی مقاله: |
Evolutionary Features and Parameter Optimization of Spiking Neural Networks for Unsupervised Learning |
|