هدف ما ،تنظیم وزن در شبکه های عصبی بازگشتی برای آموزش آنلاین

یادگیری بازگشتی بهنگام (RTRL) در شبکه­ های عصبی بازگشتی می­تواند به نحو موثری دینامیک­ های پیچیده را مدل کند و این روش برای پیش­ بینی سری­ های زمانی مختلف با یک گام پیشروی موفق بوده است.

در این مقاله یک روش یادگیری بازگشتی بهنگامِ تقویت­ شده با دو گام پیشروی پیشنهاد شده است. کارآیی روش پیشنهادی با استفاده از دو سری زمانی پایه و دادگان آب های جاری در هنگام وقوع سیل در کشور تایوان مورد بررسی قرار گرفته است.

نتایج نشان می­دهند روش پیشنهادی مبتنی بر آموزش بازگشتی با دو گام پیشروی می­تواند به نحو مطلوبی سری ­های زمانی تئوریک را پیش ­بینی کرده، صحت پیش­بینی سیل را بهبود داده و اثرات تاخیر زمانی را کاهش دهد.

در این مقاله روش جدیدِ R-RTRL برای شبکه­ های بازگشتی پیشنهاد شده است که به صورت مداوم مقادیر پیش ­بینی شده با یک گام و دو گام پیشروی را به همراه مقدار مشاهده شده جمع ­آوری می­کند تا تاخیر زمانی و دقت پیش ­بینی افزایش یابد. توانایی یادگیری و پیش­بینی این روش با استفاده از دو سری زمانی متداول مورد بررسی قرار گرفته است.

برای مقایسه روش اصلی RTRL نیز به همراه روش­های ESN، BPNN_I و BPNN_II پیاده­ سازی شده است. در مقاله ادعا شده است که روش پیشنهادی بهترین نتیجه را از نظر معیارهای کارآیی دارد. با این حال نتایج شبیه­ سازی نشان می­دهند شبکه   ESNهم در روند تعلیم و هم در روند تست نتایج بهتری در بر دارد.

تنظیم وزن در شبکه های عصبی بازگشتی برای آموزش آنلاین

Reinforced Two-Step-Ahead Weight Adjustment Technique for Online

Training of Recurrent Neural Networks

Published in: Neural Networks and Learning Systems, IEEE Transactions

Date of Publication: ۱۴ June 2012

                                 برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود

مشخصات شبیه ساز:

کارشناس ارشد مهندسی پزشکی

دانشگاه امیر کبیر

محتویات:

• اصل مقاله
• پیاده سازی در متلب بصورت (M-File)
• گزارش کامل مقاله بصورت فارسی
• گزارش کامل سورس کد
• گزارش کامل الگوریتم

دانلود فایل