دانلود ترجمه مقاله تابع هدف جدیدConvex برای آموزشSupervised شبکههای عصبی تک لایه
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2009
تعداد صفحه ترجمه:25
تعداد صفحه فایل انگلیسی:9
موضوع انگلیسی :newconvexobjectivefunctionforthesupervisedlearningofsingle-layer
neural networks
موضوع فارسی:دانلود ترجمه مقاله تابع هدف جدیدConvex برای آموزشSupervised شبکههای عصبی تک لایه
چکیده انگلیسی:This paperproposesanovelsupervisedlearningmethodforsingle-layerfeedforwardneuralnetworks.
This approachusesanalternativeobjectivefunctiontothatbasedontheMSE,whichmeasuresthe
errorsbeforetheneuron’snonlinearactivationfunctionsinsteadofafterthem.Inthiscase,thesolution
can beeasilyobtainedsolvingsystemsoflinearequations,i.e.,requiringmuchlesscomputational
power thantheoneassociatedwiththeregularmethods.Atheoreticalstudyisincludedtoproofthe
approximatedequivalencebetweentheglobaloptimumoftheobjectivefunctionbasedontheregular
MSE criterionandtheoneoftheproposedalternativeMSEfunction.
Furthermore,itisshownthatthepresentedmethodhasthecapabilityofallowingincrementaland
distributedlearning.Anexhaustiveexperimentalstudyisalsopresentedtoverifythesoundnessand
efficiencyofthemethod.Thisstudycontains10classificationand16regressionproblems.Inaddition,a
comparisonwithotherhighperformancelearningalgorithmsshowsthattheproposedmethod
exhibits,inaverage,thehighestperformanceandlow-demandingcomputationalrequirements
چکیده فارسی:در این مقاله روش آموزشSupervised جدید برای ارزیابی چگونگی شبکههای Feed Forward عصبی تکلایه ارائه میشود. این روش از تابعهدفی بر مبنایMSE استفاده میکند، که خطاها را به جای اینکه پس ازActivation Function غیرخطی نرونها ارزیابی کند قبل از آنها بررسی میکند. در این گونه موارد، راهحل را میتوان به سهولت از طریق حل معادلات در سیستمهای خطی بهدست آورد یعنی در این روش نسبت به روشهای معین و مرسوم پیشین به محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنههای تقریبی بینGlobal Optimum تابع هدف بر مبنای معیارMSE و یک تابع پیشنهادی دیگر میباشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را دارا میباشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص شده است. این تحقیق شامل 10 دستهبندی ( (Classificationو 16 مسئلهی بازگشتی میباشد. بعلاوه، مقایسهاین روش با دیگر الگوریتمهای آموزشی با عملکرد بالا نشان میدهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل محاسبات در این روش نیاز میباشد.