کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865401 679022 2016 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Bayesian approach for initialization of weights in backpropagation neural net with application to character recognition
ترجمه فارسی عنوان
رویکرد بیس برای تعیین مقدار وزن در شبکه عصبی برگشتی با استفاده از شناخت شخصیت
کلمات کلیدی
الگوریتم بازگشتی، آمار بیزی، شخصیت شناسی، فیلتر کلمن، شبکه عصبی،
ترجمه چکیده
میزان همگرایی الگوریتم های آموزش برای شبکه های عصبی به شدت تحت تأثیر ابتدای وزن قرار می گیرد. در این مقاله، یک الگوریتم اصلی برای مقداردهی اولیه وزن در شبکه عصبی برگشتی با استفاده از شناخت شخصیت ارائه شده است. روش اولیه سازی به طور عمده براساس سفارشی سازی فیلتر کلمن، تبدیل آن به اصطلاحات آمار بیزی است. رویکرد مترولوژیکی در این زمینه با توجه به وزن به عنوان اندازه گیری های مدل شده توسط متقابل وابسته به متغیرهای تصادفی طبیعی استفاده می شود. عملکرد الگوریتم با گزارش و بحث در مورد نتایج آزمایشات شبیه سازی نشان داده شده است. نتایج با مقیاس تصادفی مقیاس و سایر روش ها مقایسه می شود. روش پیشنهادی نرخ همگرا بهبود یافته را برای الگوریتم آموزش برگشت عقب نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
رویکرد بیس برای تعیین مقدار وزن در شبکه عصبی برگشتی با استفاده از شناخت شخصیت
چکیده انگلیسی
Convergence rate of training algorithms for neural networks is heavily affected by initialization of weights. In this paper, an original algorithm for initialization of weights in backpropagation neural net is presented with application to character recognition. The initialization method is mainly based on a customization of the Kalman filter, translating it into Bayesian statistics terms. A metrological approach is used in this context considering weights as measurements modeled by mutually dependent normal random variables. The algorithm performance is demonstrated by reporting and discussing results of simulation trials. Results are compared with random weights initialization and other methods. The proposed method shows an improved convergence rate for the backpropagation training algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 193, 12 June 2016, Pages 92-105
نویسندگان
, ,