Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.52547/jsdp
1
8888
fa
jalali
1395
3
1
gregorian
2016
6
1
13
1
online
1
fulltext
fa
طراحی و آموزش شبکه های عصبی مصنوعی به وسیله استراتژی تکاملی با جمعیت های موازی
Construction and Training of Artificial Neural Networks using Evolution Strategy with Parallel Populations
مقالات گروه رمز
Paper
پژوهشي
Research
کاربرد شبکه های عصبی مصنوعی در حوزه هایی از قبیل دسته بندی تصاویر و سیگنال های صوتی مؤید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه های عصبی همواره یک فرآیند زمانبر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت های موازی برای طراحی معماری شبکه عصبی و همچنین از استراتژی تکاملی برای آموزش آن استفاده شده است، به طوریکه در هر جمعیت شبکه ای با معماری خاصی تکامل می یابد. با کمک یک روش انتخاب دومعیاره مبتنی بر میزان خطا و پیچیدگی شبکه ها، الگوریتم ارائه شده قادر است شبکه های ساده با قابلیت تعمیم بالا تولید کند. برای ارزیابی کارایی الگوریتم پیشنهادی از 7 مسأله استاندارد دسته بندی استفاده شده است. روش ارائه شده با روشهای تکامل اوزان، تکامل معماری و نیز الگوریتمهای تکامل همزمان معماری و اوزان مورد مقایسه قرار گرفته است. نتایج آزمایشها کارایی و پایداری این روش را نسبت به روشهای مورد مقایسه نشان میدهد. در این مقاله، همچنین تأثیر وجود جمعیتهای موازی، روش انتخاب دومعیاره و نیز عملگر ادغام در الگوریتم ارائه شده مورد بررسی قرار گرفته است. از مزایای اصلی این روش بهره گیری از پردازش موازی به وسیله جمعیتهای مستقل است.
<p>Application of artificial neural networks (ANN) in areas such as classification of images and audio signals shows the ability of this artificial intelligence technique for solving practical problems. Construction and training of ANNs is usually a time-consuming and hard process. A suitable neural model must be able to learn the training data and also have the generalization ability. In this paper, multiple parallel populations are used for construction of ANN and evolution strategy for its training, so that in each population a particular ANN architecture is evolved. By using a bi-criteria selection method based on error and complexity of ANNs, the proposed algorithm can produce simple ANNs that have high generalization ability. To assess the performance of the algorithm, 7 benchmark classification problems have been used. It has then been compared against the existing evolutionary algorithms that train and/or construct ANNs. Experimental results show the efficiency and robustness of the proposed algorithm compared to the other methods. In this paper, the impact of parallel populations, the bi-criteria selection method, and the crossover operator on the algorithm performance has been analyzed. A key advantage of the proposed algorithm is the use of parallel computing by means of multiple populations.</p>
شبکه های عصبی مصنوعی, استراتژی تکاملی, جمعیت های موازی
Artificial Neural Networks, Evolution Strategy, Parallel Populations
101
114
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-299-1&slc_lang=fa&sid=1
Fardin
Ahmadizar
فردین
احمدی زر
f.ahmadizar@uok.ac.ir
10031947532846002676
10031947532846002676
Yes
دانشگاه کردستان
Khabat
Soltanian
خه بات
سلطانیان
10031947532846002677
10031947532846002677
No
دانشگاه کردستان
Fardin
AkhlaghianTab
فردین
اخلاقیان طاب
10031947532846002678
10031947532846002678
No
دانشگاه کردستان