Ανάπτυξη αλγορίθμου βέλτιστης ασαφούς συσταδοποίησης για την εκπαίδευση νευρωνικών δικτύων ακτινικής βάσης
Αυτή η πτυχιακή εργασία προτείνει μια νέα μέθοδο [29] που συνδυάζει ασαφή συσταδοποίηση και τη βέλτιστη ασαφή συσταδοποίηση για τον αποτελεσματικό σχεδιασμό νευρωνικών δικτύων συναρτήσεων ακτινικής βάσης. Πρώτα, θα εφαρμόσουμε την fuzzy c-means στο χώρο εισόδου-εξόδου με σκοπό να γίνει η προ-επεξ...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Δημοσίευση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | https://catalog.lib.aegean.gr/iguana/www.main.cls?surl=search&p=ed763fb5-024d-4d04-a952-e71cbf110eaa#recordId=1.34184 http://hdl.handle.net/11610/10661 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Αυτή η πτυχιακή εργασία προτείνει μια νέα μέθοδο [29] που συνδυάζει ασαφή συσταδοποίηση και τη βέλτιστη ασαφή συσταδοποίηση για τον αποτελεσματικό σχεδιασμό νευρωνικών δικτύων συναρτήσεων ακτινικής βάσης. Πρώτα, θα εφαρμόσουμε την fuzzy c-means στο χώρο εισόδου-εξόδου με σκοπό να γίνει η προ-επεξεργασία των διαθέσιμων στοιχείων. Οι προκύπτουσες ομάδες προβάλλονται στο χώρο εισόδου. Τα αντίστοιχα κέντρα συστάδων θεωρoύνται ως ένα νέο σύνολο δεδομένων, το οποίο στη συνέχεια αναλύεται περισσότερο, χρησιμοποιώντας τη βέλτιστη μέθοδο της ασαφούς συσταδοποίησης από πλευράς της σταθμισμένης (weighted) fuzzy c-means. Για να επιτευχθεί αυτό, αναπτύξαμε ένα νέο δείκτη εγκυρότητας, ο οποίος χρησιμοποιείται για να προσδιορίσει τον κατάλληλο αριθμό των κρυφών RBF κόμβων. Ο αλγόριθμος έχει εφαρμοστεί με επιτυχία σε γνωστές σειρές δεδομένων, όπου οι επιδόσεις του έχουν δοκιμαστεί και αξιολογηθεί. |
|---|