Empirical Evaluation of Homogeneous and Heterogeneous Ensembles of Evolutionary Neural Networks
| العنوان بلغة أخرى: |
التقييم التطبيقي للتجميعات المتجانسة وغير المتجانسة للشبكات العصبية التطورية |
|---|---|
| المؤلف الرئيسي: | سعاده، محمد خالد محمد (مؤلف) |
| مؤلفين آخرين: | سليط، عزام (مشرف) |
| التاريخ الميلادي: |
2017
|
| موقع: | عمان |
| الصفحات: | 1 - 108 |
| رقم MD: | 1245207 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الاردنية |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
5
| المستخلص: |
عملية التصنيف تعتبر خطوة مهمة وحرجة في عملية تعديل البيانات في تعليم الالة. من بين الكثير من التقنيات الموجودة استخدام خوارزمية الانحدار النسبي في الخلايا العصبية أظهر تأثير وزيادة كبيرة في دقة عملية التصنيف وذلك لسهولة تنفيذ واعتماده على القليل من المتغيرات التي تحتاج إلى التعديلات البسيطة، ولكن هذه التقنية لهل بعض السيئات مثل كونها بطيئة وغير عملية في المشاكل المعقدة. من جهة أخرى خوارزميات الأدلة العليا قدمت تحسين كبير جدا في عملية التصنيف وزادة دقته. خوارزميات الأدلة العليا تستخدم بكثرة في المشكلات المعقدة ومتعددة الخطوات الاندماجية. ومحبب استخدامها مقارنتا مع التقنيات الأخرى عند الحاجة للوصول إلى الحل شبه المثالي ولكنها غير محبذه في حالات الحل السيء من ناحية المثالية وأيضا بسبب العدد الكبير من التكرارات لكي تضمن الحل الأمثل. بالإضافة إلى ذلك، المعلومات حول بنية الخلايا العصبية يجب أن تكون مقدمة مسبقا لكي تحل المشكلة بكفاءة. في الأبحاث الحديثة تقنية التجميع استخدمت بالدمج مع خوارزميات الأدلة العليا لتدريب الخلايا العصبية لتأثيرها الممتاز في زيادة دقة عملية التصنيف، لذلك، في هذه الرسالة تم بناء نموذجين اعتمادا على تقنية التجميع هما النموذج المتجانس (HOM) والنموذج غير المتجانس (HEM). في النموذج المتجانس تم استخدام التعبئة المتجمعة لتقسيم البيانات على خلايا عصبية متعددة تم تدريبها باستخدام محسن أدلة عليا واحد على مجموعات البيانات الفرعية التي تم إنتاجها في مرحلة التعبئة ثم تم استخدام التحقق من الصحة لاختيار أفضل الخلايا العصبية لاستخدامها في عملية التجربة على البيانات الأصلية أخيرا، تم استخدام التصويت لتجميع النتائج لكي يتم حساب الدقة. تم استخدام نفس الخطوات في النموذج غير المتجانس ولكن مع اختلاف واحد وهو استخدام أكثر من محسن في تدريب أكثر من خلية عصبية بدلا من محسن واحد. تم بناء هاذان النموذجان وتمت تجربتهما على تسع مجموعات من بيانات وتمت مقارنتهما مع بعضهما البعض وأيضا تمت مقارنتهما مع نموذج غير مجمع (منهج تصنيف واحد). أظهرت النتائج أن النموذج المتجانس حصل على أعلى نتيجة من ناحية الدقة في ثمان مجموعات من البيانات من أصل تسع مجموعات. أما بالنسبة إلى النموذج غير المتجانس كل نتائجه كانت بالوسط بين أفضل وأسوء نتيجة من النموذجين الأخرين وذلك بسبب إعطاء جميع المحسنات نفس قيمة التصويت، مقارنة مع النموذج غير التجميعي قام النموذج التجميعي بزيادة دقة التصنيف في بعض مجموعات البيانات لغاية 20%. |
|---|
عناصر مشابهة
-
Assigning Priority Level for Bug Reports Using Neural Networks
بواسطة: سلام، محمد ياسر عبدالفتاح منشور: (2020) -
Link Prediction Using Evolutionary Learning Models
بواسطة: ياغي، روان إسماعيل محمد منشور: (2017) -
ARTIFICIAL NEURAL NETWORKS AND STOCHASTIC CONDITIONAL SIMULATION FOR CHARACTERIZATION OF AQUIFER HETEROGENEITY
بواسطة: Balkhair, Khaled Saeed منشور: (1999) -
Artificial Bee Colony Optimization of Neural Networks
بواسطة: Al Yahya, Khulood منشور: (2011) -
Vertical Handoff Algorithms in Heterogeneous Networks
بواسطة: Al Qahtani, Saleh Tall منشور: (2009)
