پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,277 |
| تعداد دریافت فایل اصل مقاله | 97,222,538 |
الگوریتمهای جدید بر اساس اتوماتای یادگیر برای یافتن پارامترهای ویولت | ||
| نشریه دانشکده فنی | ||
| مقاله 2، دوره 38، شماره 3 - شماره پیاپی 395، شهریور 1383 اصل مقاله (495.55 K) | ||
| نویسندگان | ||
| محمد رفیع خوارزمی؛ محمد رضا میبدی* | ||
| چکیده | ||
| ویولتها قادر هستند که یک تابع را در دقتهای مختلف تقریب بزنند. این خاصیت آنها را برای مدل سازی و تقریب سیستمهای غیر خطی مناسب ساخته است. برای بدست آوردن یک تقریب مناسب محاسبه پارامترهای توابع پایه ویولت از اهمیت زیادی برخوردار است. برای محاسبه پارامترهای توابع پایه ویولت روشهای متعددی از جمله روشهای بر مبنای شبکه‌های عصبی (ویونت) به کار برده شده است. در این مقاله روش جدیدی بر اساس اتوماتای یادگیر برای محاسبه پارامترهای ویولت ارائه گردیده است. روش پیشنهادی از قدرت تصمیم گیری و جستجوی اتوماتای یادگیر استفاده کرده و در هر مرحله با اضافه کردن ویولت جدید به تقریب قبلی و حذف ویولتهائی که به کاهش خطا کمکی نمی‌کنند سعی در کاهش خطا می‌نماید. روشهای پیشنهادی برخلاف روش یادگیری L2 که نیاز به محاسبات بسیار بالائی (از جمله معکوس کردن یک ماتریکس با ابعاد بالا برای تعداد زیاد نمونه ها) از محاسبات کمتر و بسیار ساده‌تری برخوردار است. همچنین برخلاف برخی روشهای بر پایه شبکه‌های عصبی که دارای ساختار ثابتی هستند دارای ساختاری پویا می باشد. یعنی تعداد توابع پایه از قبل مشخص نمی‌گردد بلکه در حین فرآیند تقریب تعیین می شوند. روش پیشنهادی بر روی مسائل متنوعی آزمایش شده است و نتایج بسیار خوبی بدست آمده است. | ||
| کلیدواژه‌ها | ||
| اتوماتای یادگیر؛ الگوریتمهای یادگیری؛ شبکه‌های عصبی؛ ویولت | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| Wavelet are able to approximate functions with different precisions, which makes them appropriate for modeling nonlinear systems. There are number of algorithms such as algorithms based on neural nets (wave net) and L2 learning algorithm, reported in the literatures for determination of wavelet parameters. In this paper several algorithms based on learning automata are reported. The proposed methods use the searching ability of learning automata to find the wavelet parameters. These methods unlike L2 learning algorithms, which requires high computations (inverting a large matrix) is very fast, and unlike the algorithms based on neural nets have a dynamic structure, that is, the number of base functions need not be known in advance and are determined during the parameters estimation process. The methods are tested on several problems and good results are obtained. | ||
|
آمار تعداد مشاهده مقاله: 1,983 تعداد دریافت فایل اصل مقاله: 977 |
||