Εφαρμογή νευρωνικού δικτύου για την μοντελοποίηση των δεδομένων που αφορούν τις πυρκαγιές των δασικών περιοχών
Μια νέα μέθοδος που συνδυάζει το συνηθισμένο διάνυσμα μάθησης κβαντισμού και την σταθμισμένη συσταδοποίηση εισόδου-εξόδου έχει αναπτυχθεί με σκοπό το σχεδιασμό νευρωνικών δικτύων ακτινικής βάσης (Radial Basis Function Neural Networks - RBFNN). H Διανυσματική Κβάντιση Μάθησης (Learning Vector Quantiz...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Δημοσίευση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | https://vsmart.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=lU*01*10*B9*97*F7*5B*1A*E3*B8*7C*ACm*0F*3E&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=1&WebPageNr=1&SearchTerm1=2013%20.1.55473&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=1 http://hdl.handle.net/11610/15989 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Μια νέα μέθοδος που συνδυάζει το συνηθισμένο διάνυσμα μάθησης κβαντισμού και την σταθμισμένη συσταδοποίηση εισόδου-εξόδου έχει αναπτυχθεί με σκοπό το σχεδιασμό νευρωνικών δικτύων ακτινικής βάσης (Radial Basis Function Neural Networks - RBFNN). H Διανυσματική Κβάντιση Μάθησης (Learning Vector Quantization - LVQ) εισάγεται, για να ενεργοποιηθεί η προ-επεξεργασία των δεδομένων εισόδου-εξόδου, που επιτρέπει την εξάλειψη όλων των περιττών πληροφοριών. Στη συνέχεια, τα ληφθέντα κέντρα των συστάδων θεωρούνται ως ένα νέο σύνολο δεδομένων, το οποίο συσταδοποιείται περαιτέρω μέσω της σταθμισμένης συσταδοποίησης εισόδου-εξόδου. Τα ληφθέντα κέντρα συστάδων συμπέφτουν με τα κέντρα των πυρήνων του προτεινόμενου RBF νευρωνικού δικτύου. Η μέθοδος της βελτιστοποίησης του σμήνους σωματιδίων (Particle Swarm Optimization - PSO) έχει χρησιμοποιηθεί για την εκτίμηση των κύριων ακτινικών παραμέτρων λειτουργίας βάσης, οι οποίες είναι τα πλάτη του RBF πυρήνα και τα βάρη διασύνδεσης μεταξύ των κρυφών κόμβων και του κόμβου εξόδου. Η σημαντική καινοτομία της εργασίας έγκειται στον τρόπο με τον οποίο χειριζόμαστε τις πληροφορίες της εκπαίδευσης δεδομένων εισόδου-εξόδου, προκειμένου να ερευνήσουμε τη σχέση μεταξύ της διαδικασίας συσταδοποίησης των συγκεκριμένων δεδομένων και του σφάλματος κβαντισμού εξόδου στο πλαίσιο ενός νευρωνικού δικτύου ακτινικής βάσης. Το παραγόμενο νευρωνικό δίκτυο ακτινικής βάσης συγκρίνεται με ένα αρχικό τυπικό νευρωνικό δίκτυο RBF, προκειμένου να αντισταθμίσει τον αριθμό των RBF πυρήνων και την ακρίβειά του. Τέλος, αποδεικνύουμε τις ικανότητες σχεδιασμού και την ακρίβεια της μοντελοποίησης της προτεινόμενης μεθόδου και αξιολογούμε την αποτελεσματικότητά της, μέσω της εφαρμογής της σε δεδομένα πυρκαγιών δασικών περιοχών, χρησιμοποιώντας την στατιστική μέθοδο 10-fold cross-validation. |
|---|