کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947240 1439572 2017 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
The definition of a measure of artificial neural network design quality based on a Statistical Index of Quality
ترجمه فارسی عنوان
تعریف یک اندازه گیری از کیفیت طراحی شبکه های عصبی مصنوعی بر اساس شاخص آماری کیفیت
کلمات کلیدی
تحلیل داده ها، بهبود شبکه عصبی، مدل سازی، شاخص کیفیت عصبی،
ترجمه چکیده
این مقاله یک روش برای تعیین نزدیک بودن شبکه عصبی (و طراحی آن) به سیستمهایی است که در نظر گرفته شده برای نشان دادن و مدل ارائه شده است. خروجی این روش یک مقدار عددی نرمال شده (یک شاخص) است که می تواند با سایر شاخص ها مقایسه شود. همچنین می توان برای مقایسه یک شبکه عصبی مصنوعی با دیگری استفاده کرد. هدف این است که یک شاخص عددی از کیفیت ایجاد کنیم که امکان مقایسه روش های مختلف و تکنیک های محاسباتی را فراهم می کند. بازبینی مختصر به مفهوم که این مقاله ایجاد شده در بخش 2 ارائه شده است (که نویسندگان خلاصه شاخص آماری کیفیت)، و طرح کلی شاخص کیفیت شبکه عصبی در بخش 3.2 نشان داده شده است. بخش 3.3 نشان می دهد محاسبات نمونه و مقایسه با سایر روش های مشابه برای ارزیابی شبکه عصبی. در نهایت، بخش 4 به دلایل خاصی اشاره می کند و تحقیقات آینده را در پی تحلیل کیفیت اتوماتیک تکنیک های محاسباتی به نمایش می گذارد. همانطور که پیشنهاد شده است، این روش برای مقایسه تکنیک های مختلف محاسبات به اندازه کافی موثر است، با نتایج نزدیک به '1' برای شبکه های به خوبی طراحی شده و نتایج نزدیک به '0' برای شبکه های عصبی با نقص طراحی ممکن است. روش پیشنهادی برای شبکه های عصبی مصنوعی نظارت شده طراحی شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تعریف یک اندازه گیری از کیفیت طراحی شبکه های عصبی مصنوعی بر اساس شاخص آماری کیفیت
چکیده انگلیسی
This paper presents a method for determining how close a neural network (and its design) is to the systems it is intended to represent and model. The output of this method is a normalized numerical value (an index) which can be compared to other indices. It can also be used to compare one artificial neural network with another. The objective is to develop a numerical index of quality that would make it possible to compare a variety of methods and computational techniques. A brief revisit to the concept from which this paper originated is presented in section 2 (where authors summarize the Statistical Index of Quality), and the outline of the Neural Network Index of Quality is shown in subsection 3.2. Subsection 3.3 illustrates sample calculations and comparisons with other similar methods for neural network evaluation. Finally, section 4 addresses certain implications and outlines future research in pursuit of automated quality analysis of computational techniques. As proposed, the method is effective to compare different computational techniques adequately, with results close to '1' for well-designed networks and results close to '0' for neural networks with possible design flaws. The proposed method is designed for fixed-size, supervised artifical neural networks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 255, 13 September 2017, Pages 71-76
نویسندگان
, ,