Deep feedforward neural network classifier with polynomiallLayer and shared weights
Σε αυτή τη μεταπτυχιακή εργασία, παρουσιάζεται ένα καινοτόμο νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης το οποίο εφαρμόζεται σε προβλήματαα ταξινόμησης. Πολλά πυκνά κρυφά στρώματα ακολουθούνται από ένα πολυωνυμικό στρώμα, του οποίου οι κόμβοι συνάγονται χρησιμοποιώντας συναρτήσεις ενεργοποίησης γραμμ...
Saved in:
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Language: | en_US |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/26977 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Σε αυτή τη μεταπτυχιακή εργασία, παρουσιάζεται ένα καινοτόμο νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης το οποίο εφαρμόζεται σε προβλήματαα ταξινόμησης.
Πολλά πυκνά κρυφά στρώματα ακολουθούνται από ένα πολυωνυμικό στρώμα, του οποίου οι κόμβοι συνάγονται χρησιμοποιώντας συναρτήσεις ενεργοποίησης γραμμένες ως πολυώνυμα Hermite.
Το πολυωνυμικό στρώμα επιτρέπει γραμμικούς συνδυασμούς των εξόδων των προηγούμενων στρωμάτων δημιουργώντας σειρές Hermite με πεπερασμένους όρους.
Οι σειρές Hermite συγκεντρώνονται και τροφοδοτούν το στρώμα εξόδου.
Η προαναφερθείσα τεχνική παράγει ένα δίκτυο με ενισχυμένη
απόδοση για τους ακόλουθους λόγους:
Τα πολυώνυμα Hermitte είναι ορθογώνια σε
ολόκληρο το σύνολο των πραγματικών αριθμών και έχουν εξαιρετικές δεξιότητες μοντελοποίησης και προσέγγισης.
Επιπλέον, μπορούν να αντιμετωπίσουν με εξαιρετική επιτυχία μη γραμμικά δεδομένα. Σε αυτη τη μελέτη,
τα πολυώνυμα Hermite υλοποιούνται χρησιμοποιώντας κοινά βάρη στους κόμβους του
πολυωνυμικού στρώματος, το οποίο μειώνει την ποσότητα των παραμέτρων εκπαίδευσης.
Η απόδοση
του δικτύου αξιολογείται με τη διενέργεια συγκριτικών δοκιμών προσομοίωσης χρησιμοποιώντας τέσσερις
πρόσθετες προσεγγίσεις για έναν αριθμό συνόλων δεδομένων. Η σύγκριση γίνεται χρησιμοποιώντας στατιστικά συμπερασμάτα t-test.
Τα πειραματικά αποτελέσματα δείχνουν ότι το προτεινόμενο δίκτυο αποδίδει πολύ καλύτερα σε σχέση με τις άλλες τεχνικές. |
|---|