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…

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.