چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008809 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
744 Kb
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان انگليسي
Weighted probabilistic neural network
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 12 صفحه انگلیسی به صورت پی دی اف و 24 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله، اصلاحاتی برای شبکه عصبی احتمالاتی (PNN) پیشنهاد شده است. شبکه سنتی با معرفی ضرایب وزنی بین الگو و لایه تجمیع تنظیم شده است. وزن ها توسط فرآیند تحلیل حساسیت (SA) بدست آمدند. عملکرد PNN وزنی (WPNN) در مسائل طبقه بندی داده ها در مجموعه داده های بنچمارک مورد بررسی قرار گرفت. نتایج بدست آمده در مورد کارایی WPNN، با یک مدل PNN اصلاح شده، PNN اصلی و الگوریتم های مدرن طبقه بندی از جمله ماشین بردار پشتیبانی، پراسترن چند لایه، شبکه عصبی با تابع شعاعی، روش K همسایه نزدیک، و الگوریتم برنامه نویسی بیان ژنی مورد مقایسه قرار گرفته است. همه دسته بندها با محاسبه دقت پیش بینی بدست آمده توسط یک فرآیند اعتبارسنجی متقابل k-fold تجمیع شدند. نشان داده شد که در هفت تا از ده مورد طبقه بندی، WPNN بر هردو PNN وزنی دسته بند معرفی شده در مقالات و مدل اصلی برتری داشته است. علاوه بر این، مطابق با آمارهای رتبه بندی، WPNN پیشنهادی در بین همه الگوریتم های تست شده در رتبه اول قرار می گیرد.
1-مقدمه
در شبکه های عصبی فید فوروارد کلاسیک، مانند پراسترن چند لایه یا شبکه تابع شعاعی، لایه ها با استفاده از اتصالات وزنی به هم متصل هستند. در فرآیند آموزش، ابتدا باید وزن‌های مورد استفاده را مقدار دهی اولیه نموده و سپس به صورت تکراری محاسبه کرد تا برخی از معیارهای عملکرد مفروض برای مدل، برای داده های آموزشی معین بهینه شوند. با این وجود شبکه عصبی احتمالاتی [36،37] مدلی است که به هیچ گونه فاکتورهای وزنی اضافی در دروخ ساختار خود تجهیز نشده است. بنابراين PNN فاقد بروزرسانی وزنی،که زمان بر است، می باشد…
شب
شبکه عصبی احتمالاتی
:کلمات کلیدی
Abstract
In this work, the modification of the probabilistic neural network (PNN) is proposed. The traditional network is adjusted by introducing the weight coefficients between pattern and summation layer. The weights are derived using the sensitivity analysis (SA) procedure. The performance of the weighted PNN (WPNN) is examined in data classification problems on benchmark data sets. The obtained WPNN’s efficiency results are compared with these achieved by a modified PNN model put forward in literature, the original PNN and selected state-of-the-art classification algorithms: support vector machine, multilayer perceptron, radial basis function neural network, k -nearest neighbor method and gene expression programming algorithm. All classifiers are collated by computing the prediction accuracy obtained with the use of a k -fold cross validation procedure. It is shown that in seven out of ten classification cases, WPNN outperforms both the weighted PNN classi fier introduced in literature and the original model. Furthermore, according to the ranking statistics, the proposed WPNN takes the first place among all tested algorithms.
Keywords:
Probabilistic neural network
سایر منابع مهندسی برق در زمینه شبکه عصبی