یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی تنک
ترجمه شده

یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی تنک

عنوان فارسی مقاله: یادگیری ساختاری در شبکه های عصبی مصنوعی با استفاده از بهینه سازی تنک
عنوان انگلیسی مقاله: Structural learning in artificial neural networks using sparse optimization
مجله/کنفرانس: محاسبات عصبی - Neurocomputing
رشته های تحصیلی مرتبط: مهندسی صنایع و کامپیوتر
گرایش های تحصیلی مرتبط: بهینه سازی سیستم ها، مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: ادگیری ساختاری، شبکه های عصبی مصنوعی، بهینه سازی تنک، وزن دهی مجدد تکراری
کلمات کلیدی انگلیسی: Structural learning - artificial neural networks - sparse optimization - iterative reweighting
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neucom.2017.07.028
دانشگاه: طراحی فرایند و مهندسی سیستم، دانشکده علوم و مهندسی، دانشگاه Åbo Akademi، فنلاند
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2017
ایمپکت فاکتور: 5.188 در سال 2018
شاخص H_index: 110 در سال 2019
شاخص SJR: 0.996 در سال 2018
شناسه ISSN: 0925-2312
شاخص Quartile (چارک): Q1 در سال 2018
صفحات مقاله انگلیسی: 17
صفحات ترجمه فارسی: 20
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 357
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
ترجمه فارسی فهرست مطالب

نکات برجسته


چکیده


مقدمه


ساختار شبکه و نشان گذاری


همبندی تنک در شبکه های عصبی


3-1 بهینه سازی تنک


3-2 راه حل های تقریبی (P*0)


3-3 جستجوی خط پس گرد


آزمایش ها


4-1 مثال تشریحی


4-2 مثال تشریحی: طبقه بندی


4-3 مطالعه موردی: تخمین بازیافت حرارت تلف شده در کشتی ها


5 نتیجه گیری اظهارات

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Network structure and notation


3. Sparse connectivity in neural networks


3.1. Sparse optimization


3.2. Approximative solutions to (P?


3.3. Backtracking line search


4. Experiments


4.1. Illustrative example: Regression


4.2. Illustrative example: Classification


4.3. Case study: Estimation of waste heat recovery in ships


5. Concluding remarks

نمونه ترجمه فارسی مقاله

چکیده


در این مقاله مسئله تخمین همزمان ساختار و پارامترهای شبکه های عصبی مصنوعی با چندین لایه مخفی در نظر گرفته می شود. روشی بر مبنای بهینه سازی تنک ارائه می شود. مسئله به صورت یک مسئله کمینه سازی هنجار ℓ0 به گونه ای فرمول بندی می شود که اوزان افزونه از شبکه عصبی حذف می شوند. چنین مسائلی به طور کلی ترکیبی هستند و اغلب حل نشدنی در نظر گرفته می شوند. بنابراین یک وزن دهی مجدد سلسله مراتبی تکراری برای آسان سازی هنجار ℓ0 ارائه می شود. آزمایش هایی روی مسائل محک ساده، برای طبقه بندی و رگرسیون و روی یک مطالعه موردی برای تخمین حرارت تلف شده در کشتی ها، انجام گرفته است. تمامی آزمایش ها بیانگر کارآمدی الگوریتم هستند.


 1- مقدمه


انتخاب ساختار مدل ها و تخمین پارامترهای مدل وظایفی بنیادی در بسیاری از رشته های علمی و مهندسی هستند. شبکه های عصبی مصنوعی (ANN) روش غیر خطی نگاشت روابط ورودی ها و خروجی ها را فراهم می کنند و اغلب به صورت مدل های جعبه سیاه در جایی استفاده می شوند که دینامیک های زمینه مجهول یا پیچیده هستند. نشان داده شده است که ANNها با این شرط که تعداد گره ها به اندازه کافی بزرگ باشد (1) هر تابع پیوسته ای را با دقت دلخواه تقریب می زنند. بنابراین شبکه های بزرگ می توانند دقیقاً بیانگر یک مجموعه آموزشی دلخواه باشند و خطر بیش برازش مدل به داده های نویزدار بالا است. این امر اغلب منجر به تعمیم نامناسب روی داده های جدید می شود (2). بنابراین تا حد امکان کوچک نگه داشتن اندازه شبکه همزمان با حفظ برازش خوبی برای داده ها می تواند کارآمد باشد. انتظار می رود که با کاهش اندازه شبکه ها و فراهم کردن امکان همبندی تنک تعمیم بهبود یابد.

نمونه متن انگلیسی مقاله

Abstract


In this paper, the problem of simultaneously estimating the structure and parameters of artificial neural networks with multiple hidden layers is considered. A method based on sparse optimization is proposed. The problem is formulated as an `0-norm minimization problem, so that redundant weights are eliminated from the neural network. Such problems are in general combinatorial, and are often considered intractable. Hence, an iterative reweighting heuristic for relaxing the `0-norm is presented. Experiments have been carried out on simple benchmark problems, both for classification and regression, and on a case study for estimation of waste heat recovery in ships. All experiments demonstrate the effectiveness of the algorithm.


1. Introduction


Selecting the structure of models and estimating model parameters are fundamental tasks in many fields of science and engineering. Artificial neural networks (ANN) provide a non-linear way of mapping relations between inputs and outputs, and are often used as black-box models for systems where the underlying dynamics are either unknown or complex. ANN:s have been shown to approximate any continuous function to arbitrary accuracy, provided that the number of nodes is sufficiently large [1]. Thus, large networks can exactly represent an arbitrary training set, and the risk of overfitting the model to noisy data is high. This will often result in bad generalization on new data [2]. Hence, it can be beneficial to keep the network size as small as possible, while maintaining good fit to the data. By reducing the size of the networks and by allowing sparse connectivity, generalization is expected to be improved.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۰,۹۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی تنک
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها