fa روش پیش‌تعلیم سریع بر مبنای کمینه‌سازی خطا برای همگرائی یادگیری شبکه‌های‌ عصبی با ساختار عمیق مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <a name="up"><table dir="rtl" border="0" cellspacing="2" cellpadding="5" width="100%"><tbody><tr class="mainTableBodyOn"><td valign="top"><font></font></td><td align="right"><p style="LINE-HEIGHT: 150%" align="justify">در این مقاله با توسعه روش‌های موجود و بر مبنای کمینه‌سازی خطا و حفظ تمایز بیشینه مابین نمونه‌ها یک روش پیش‌تعلیم لایه‌به‌لایه سریع و کارا جهت مقداردهی اولیه مناسب وزن‌ها در شبکه‌های عصبی با ساختارهای عمیق ارائه شده است. تعلیم شبکه‌های عصبی عمیق به‌دلیل مواجه با تعداد بالای کمینه‌های موضعی اغلب همگرا نمی‌گردد. درحالیکه با مقداردهی اولیه مناسب وزن‌های شبکه به‌جای مقادیر تصادفی در ابتدای مسیر تعلیم، می‌توان از بسیاری از کمینه‌های موضعی اجتناب نمود. در این روش شبکه عصبی چند لایه به تعداد متناظری شبکه با یک لایه پنهان شکسته می‌شود و ابتدا این شبکه‌های تک لایه تعلیم داده می‌شوند. سپس مقادیر وزن حاصل از تعلیم اینها در شبکه عصبی اصلی قرار داده می‌شود و برای تنظیم دقیق وزن‌ها، تعلیم یکپارچه صورت می‌گیرد. روش پیشنهادی برای پیش‌تعلیم شبکه عصبی خودانجمنی 5 لایه پنهان جهت استخراج مؤلفه‌های اساسی غیرخطی چهره برای دادگان بسفروس مورد استفاده قرار گرفت. مقایسه میانگین نتایج شبکه‌های‌ عصبی با مقداردهی اولیه تصادفی و مقداردهی با روش پیش‌تعلیم لایه‌به‌لایه نشان می‌دهد که این روش پیش‌تعلیم علاوه بر اینکه سرعت همگرائی تعلیم را بهبود می‌دهد، قدرت تعمیم شبکه را نیز بالا می‌برد. به‌گونه‌ایکه با وجود خطای تعلیم یکسان، با بکارگیری روش پیش‌تعلیم لایه‌به‌لایه برای مقداردهی اولیه وزن‌ها، خطای بازسازی هر پیکسل %69/13 کاهش و درصد صحت بازشناسی تصاویر با استفاده از مؤلفه‌های استخراج شده حدود %10 رشد داشته است. <br></p></td></tr></tbody></table></a> In this paper, we propose efficient method for pre-training of deep bottleneck neural network (DBNN). Pre-training is used for initial value of network weights convergence of DBNN is difficult because of different local minimums. While with efficient initial value for network weights can avoided some local minimums. This method divides DBNN to multi single hidden layer and adjusts them, then weighs of these networks is used for initial value of DBNN weights and then train network. Proposed network is used for extraction of face component. This Method is implemented on Bosphorus database. Comparing results shows that new method has more convergence speed and generalization than random initial value. By means of this new training method and with same training error rate pixel reconstruction error is decreased 13.69% and recognition rate is increased 10% استخراج مؤلفه‌، پیش‌تعلیم، شبکه‌‌های عصبی، ساختار عمیق، همگرائی Deep Architecture, Learning Convergence,Neural Network, Pre-training, Components 26 13 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-340-1&slc_lang=fa&sid=1 سیده زهره سیدصالحی sz.seyyedsalehi@yahoo.com 1003194753284600663 1003194753284600663 Yes سید علی سیدصالحی 1003194753284600664 1003194753284600664 No