دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه |
عنوان انگلیسی مقاله: |
Dynamic ensemble extreme learning machine based on sample entropy |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار مقاله | 2012 |
تعداد صفحات مقاله انگلیسی | 10صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | هوش مصنوعی و مهندسی الگوریتم ها و محاسبات |
مجله مربوطه | محاسبات نرم – Soft Computing |
دانشگاه تهیه کننده | آزمایشگاه هوش محاسباتی و یادگیری، دانشکده ریاضی و علوم کامپیوتر، دانشگاه هبی، چین |
کلمات کلیدی این مقاله | ماشین یادگیری سریع، مجموعه پویا، AdaBoost، Bagging، انتروپی نمونه |
رفرنس | دارد |
شناسه شاپا یا ISSN | ISSN 1433-7479 |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت Springer |
نشریه | Springer |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 20صفحه |
ترجمه عناوین تصاویر و جداول | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه نشده است |
ترجمه متون داخل جداول | ترجمه نشده 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
1. مقدمه
2. مرور مختصر ماشین یادگیری سریع و الگوریتم AdaBoost
الگوریتم ELM
2. 2 الگوریتم AdaBoost
3. ماشین یادگیری سریع تجمعی پویا مبتنی بر انتروپی نمونه
الگوریتم DE-ELM
4. نتایج و تحلیل آزمایش
5. نتایج
- بخشی از ترجمه:
5. نتایج
در این مقاله، روش DE-ELM مبتنی بر انتروپی نمونه پیشنهاد شده است که از AdaBoost برای آموزش N SLFNN آموزش دیده با ELM به عنوان N طبقه بند پایه استفاده نموده و نمونه جدید را با استراتژی مجموعه (تجمع) پویا طبقه بندی می نماید. DE-ELM نه تنها بر بسیاری از کمبودهای الگوریتم یادگیری مبتنی بر گرادیان سنتی نظیر کمینه محلی، میزان یادگیری نادرست، و سرعت پائین یادگیری، غلبه می نماید، بلکه همچنین می تواند مسائل و مشکلات ناپایداری و بیش برازش را در ELN اصلی رفع نموده و صحت پیش بینی را افزایش دهد. نتایج آزمایش نشان می دهد که شیوه پیشنهادی پایدار و کارآمد است.
- بخشی از مقاله انگلیسی:
5 Conclusions
In this paper, based on sample entropy the DE-ELM is proposed, which use AdaBoost to train N SLFNNs trained with ELM as N base classifiers and classify a new sample by strategy of dynamic ensemble. The DE-ELM not only can overcome many shortages in the traditional gradientbased learning algorithm such as local minimal, improper learning rate, and low learning speed but also can alleviate the problems of instability and over-fitting in original ELN, and increase the prediction accuracy. The experimental results show that the proposed approach is robust and efficient.
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه |
عنوان انگلیسی مقاله: |
Dynamic ensemble extreme learning machine based on sample entropy |
|