پایان‌نامه

ماشین یادگر افزایشی با معماری فشرده

چکیده

شبکه های پیشخور نقش بسیار مهمی در یادگیری ماشین ایفا می کنند. در این بین، شبکه ی پیشخور با یک لایه مخفی به دلیل قابلیت تقریب کلی از اهمیت بسزایی برخوردار است. این شبکه به طور گسترده در مسائل طبقه بندی و رگرسیون مورد استفاده قرار گرفته است. از نظر معماری، این شبکه به سه دسته ی معماری ثابت، معماری افزایشی و معماری کاهشی تقسیم می شود. عدم وجود مشکل حداقل محلی از مزایای شبکه با معماری افزایشی می باشد. از جمله چالش های این شبکه تنظیم بهینه پارامترهای ورودی نود مخفی افزوده شده است که راهکارهای متفاوتی برای این منظور ارائه شده است. در این پایان نامه پارامترهای ورودی نود مخفی افزوده شده با حل یک مسئله ی بهینه سازی درجه دو بدست می آیند. این کار سبب می شود قدر مطلق سینوس زاویه ی بین نود افزوده شده و مانده خطا حداقل گردد و نود افزوده شده حداکثر کارایی ممکن را داشته باشد. با توجه به اینکه تعداد نودهای شبکه کمترین مقدار ممکن خواهد بود، این شبکه، ماشین یادگیر افزایشی با معماری فشرده نامیده می شود. به منظور تنظیم بهینه ی زاویه ی بین نود افزوده شده و خطا در روش پیشنهادی، از نودهای با درجه آزادی بالا استفاده می گردد. علی رغم مزیت های فراوان ماشین یادگیر افزایشی با معماری فشرده، این روش مانند همه ی روش های مبتنی بر حداقل سازی مربعات خطا، در برابر نویز غیرگوسی و داده های پرت،کارایی مناسبی نخواهد داشت. بنابراین ماشین یادگیر افزایشی با معماری فشرده مبتنی بر آنتروپی و کورآنتروپی ارائه می شود.از جمله کاربردهای شبکه های پیشخور، تقریب جواب معادله ی دیفرانسیل معمولی و معادله دیفرانسیل با مشتقات جزیی است. در این پایان نامه از نگاه شبکه با معماری افزایشی، روشی برای تقریب جواب این معادله ها ارائه شده که کارایی بهتری نسبت به روش های موجود با معماری ثابت خواهد داشت. آزمایشات روی مجموعه داده ها و مثال های مختلف کارایی روش های پیشنهادی در این پایان نامه را نشان می دهند.

اساتید راهنما و مشاور

مجتبی روحانی، هادی صدوقی یزدی

پایان‌نامه‌های مشابه

  • مهاجرت آگاه از قرارداد ماشین های مجازی در معماری های ابری

    پایان‌نامه۲۰۱۰وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهدفرهاد رحمانی فرد

    امروزه نرم افزارهای مدیریت ماشین مجازی از فزونی تعهد ماشین فیزیکی پشتیبانی می کنند. فزونی تعهد یک ماشین فیزیکی به این معنا می باشد که بیش از ظرفیت موجود بر روی آن ماشین مجازی قرار گیرد. همچنین، نرم افزارهای مدیریت ماشین مجازی امکان مهاجرت ماشین های مجازی را از یک ماشین فیزیکی به

  • طراحی معماری سخت افزار فشرده ساز تصویر قابل تست بر پایه الگوریتم spiht

    پایان‌نامه۲۰۱۳وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی (نوشیروانی) بابل - دانشکده برق و کامپیوترشهیار احمدنژاد

    با افزایش حجم داده ها، مساله ی فشرده سازی تصاویر بسیار مورد استفاده قرار گرفته است. یکی از الگوریتم های مناسب برای فشرده سازی، الگوریتم spiht است. به دلیل قابل برنامه ریزی بودن fpga پیاده سازی الگوریتم spiht با fpga به ویژه در کاربردهای هوا فضایی بسیار مورد توجه قرار گرفته است. چ

اسناد مشابه