شبیه سازی مقاله: کرنل براساس شبکه عصبی چند لایه (ML-ELM) برای ارائه یادگیری

تاریخ : 1 اکتبر, 2017 توسط مدیریت

مجموعه: الگوریتم های فراابتکاری و هوشمند, شبکه عصبی, مهندسی کامپیوتر, یادگیری ماشین

پروژه۶۲۴: شبیه سازی مقاله isi در متلب سال ۲۰۱۶ + سورس کامل متلب + توضیحات خطوط برنامه + توضیحات جانبی

عنوان مقاله:

Kernel-Based Multilayer Extreme Learning Machines
for Representation Learning

کرنل براساس یادگیری ماشین چند لایه (ML-ELM) برای ارائه یادگیری

******************

دانلود: دانلود اصل مقاله لاتین

******************

خلاصه ای از کار:

اخیرا برای ارائه یادگیری از دستگاه یادگیری نهایی چندلایه (ML-ELM) درخودرمزگذار انباشته (SAE) استفاده می شود. برخلاف SAE سنتی ،زمان اموزش ML-ELM به میزان قابل توجهی از ساعتها تا ثانیه ها با صحت بالا کاهش می یابد. اما ML-ELM چند عیب دارد:۱-تنظیم دستی تعداد لایه های پنهان در هر لایه ،یک عامل نامعلوم برای زمان اموزش و کلی سازی است.۲-طرح تصادفی وزنهای ورودی و دادن ولتاژ قبلی به هر لایه ML-ELM منجر به تعمیم الگوی زیربهینه می شود.۳-راه حل شبه معکوس برای وزنهای خروجی هر لایه موجب خطای نسبتا بزرگ ساخت مجدد می شود.۴-زمان ذخیره سازی و اجرای ماتریسهای تغییرشکل در ارائه یادگیری با تعداد لایه های مخفی متناسب هستند. یک نوع ML-ELM مغزی بنام ELM کرنل چند لایه(ML-KELM) با الهام از یادگیری مغزی گسترش می یابد که کمکهای ان عبارتند از:۱-حذف تنظیم دستی مربوط به تعداد گره های مخفی هر لایه ۲- مکانیسم طرح غیرتصادفی برای تعمیم الگوی بهینه۳- راه حل معکوس دقیق برای وزنهای خروجی تحت ماتریس معکوس شدنی کرنل تضمین می شود که در نتیجه ان خطای ساخت مجدد کوچکتراست.۴-همه ماتریسهای تغییر شکل در دو گروه متحد می شوند تنها به این دلیل که ذخیره سازی کاهش یابد و زمان اجرای الگو کاهش یابد. مجموعه هایی از اطلاعات معیار در اندازه های مختلف برای ارزیابی ML-KELM بکار گرفته شده اند.نتایج تجربی کمکهای ML-KELM پیشنهادی را تائید کرده اند. صحت مجموعه اطلاعات معیار تا ۷٪ بهبود می یابد.

اصطلاحات شاخص: یادگیری کرنل، دستگاه یادگیری نهایی چند لایه (ML-ELM)، ارائه یادگیری، خودرمزگذار انباشته (SAE).

در صورت سوال در مورد محصول و یا در صورت اشکال در اجرای شبیه سازی می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.

پس از پرداخت آنلاین، فایل بلافاصله قابل دانلود می باشد

برخی نتایج:

TrainingTime =

۰٫۷۵۷۴

TestingTime =

۰٫۰۵۵۳

TrainingAccuracy =

۰٫۴۱۰۰

TestingAccuracy =

۰٫۴۶۳۰