ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 |
در این مقاله اولین نتایج حاصل از استفاده از سیستم دستهبندی یادگیری با توانایی انجام محاسبات انطباقی با شبکههای عصبی عمیق ارائهشده است. دستهبندی کنندههای فردی در جامعه از دو شبکه عصبی تشکیلشده است.
اولین مورد بهعنوان یک جز گیتینگ یا محافظ عمل میکند که محاسبه مشروط یک شبکه عصبی عمیق مرتبط را بهصورت نمونه امکانپذیر میکند. جهش خود انطباقی هنگام تولیدمثل اعمال میشود و شبکههای پیشبینی با نزول شیب تصادفی در طول یادگیری مادامالعمر تصفیه میشوند. استفاده از لایههای کاملاً متصل و کانولوشن در وظایف شناسایی رقمی دستنویس ارزیابی میشود که در آن تکامل سازگار باشد.
(i) نرخ یادگیری نزول گرادیان اعمالشده بر هر لایه
(ii) تعداد واحدهای درون هر لایه بهعنوانمثال تعداد کاملاً متصل نورونها و تعداد فیلترهای هسته کانولوشن
(iii) اتصال هر لایه یعنی اینکه آیا هر وزن فعال است
(iv) اندازه وزن فرار از اپتیماهای محلی را امکانپذیر میکند.
این سیستم پس از دستیابی به حداکثر خطای پیشبینی ضمن حفظ عملکرد بهطور خودکار تعداد وزنهها و واحدها را کاهش میدهد. این مقاله اولین نتایج حاصل از استفاده از نمایندگی شبکه عصبی عمیق در XCSF را ارائه داده است. هر دو شبکه کاملاً متصل و کانولوشن در کارهای شناسایی رقمی دستنویس بررسی شدند. کار فعلی در حال بررسی روشهایی است که در آن میتوان این نتایج را بهبود بخشید و دادههای معیار را برای طیف گستردهتری از مجموعه دادهها و برنامهها ارائه داد.
فایل pdf مقاله را از اینجا دانلود نمایید.