ارزیابی جامع شبکه های پیوند کاربردی بردار تصادفی + سورس رایگان
پروژه ۲۲۰۱: شبیه سازی رایگان مقاله
عنوان مقاله انگلیسی:
A Comprehensive Evaluation of Random Vector Functional Link Networks
چکیده
با وزنهای ایجاد شده بطور تصادفی بین لایه های پنهان و ورودی ،یک شبکه پیوند کاربردی بردار تصادفی یک تقریب زننده جهانی برای توابع متوالی در مجموعه های فشرده با ویژگی یادگیری سریع است.اگرچه این شبکه دو دهه گذشته پیشنهاد شد اما توانایی طبقه بندی این خانواده شبکه ها هنوز بطور کامل بررسی نشده است.درطی یک ارزیابی بسیار جامع با استفاده از۱۲۱مجموعه داده UCI ،تاثیر پیشقدر در لایه خروجی،پیوندهای مستقیم از لایه ورودی به لایه خروجی و نوع توابع فعال سازی در لایه پنهان مقیاس گذاری کمینه سازی پارامتر همچنین روش حل وزنهای خروجی در این تحقیق بررسی می شوند.ما بطور تعجب اوری دریافتیم که پیوند مستقیم یک نقش افزایش دهنده مهم عملکرد درRVFL دارد.درحالیکه اصطلاح پیشقدر در نورون خروجی هیچ تاثیر مهمی ندارد.راه حل بسته مبتنی بر رگرسیون خط الراس نسبت به راه حلهای توسط شبه معکوس مور-پنروس بهتر بود.به جای استفاده از یک تصادفی سازی یکنواخت در[-۱,+۱] برای همه مجموعه های داده ،تنظیم مقیاس گذاری محدوده تصادفی سازی یکنواخت برای هر مجموعه داده ،عملکرد کلی را افزایش می دهد.شش تابع فعالسازی پرکاربرد در این تحقیق بررسی شدند و ما دریافتیم که توابع فعالسازی hardlim وsign عملکرد کلی را بدتر می کنند.این نتایج اصلی می توانند به عنوان رهنمودهای کلی برای طبقه بندی کننده های مبتنی بر شبکه های RVFL عمل کنند.
دانلود رایگان:
مجموعه: پردازش تصویر, پروژه هابرچسب ها +1] برای همه مجموعه های داده ،تنظیم مقیاس گذاری محدوده تصادفی سازی یکنواخت, ارزیابی جامع شبکه های پیوند کاربردی, تقریب زننده جهانی برای توابع متوالی, توانایی طبقه بندی این خانواده شبکه ها, شبکه پیوند کاربردی بردار تصادفی, شبکه های RVFL, عملکرد درRVFL, کاربردی بردار تصادفی, کد رایگان کاربردی بردار تصادفی, کد متلب رایگان ارزیابی جامع شبکه های پیوند کاربردی, لایه های پنهان و ورودی, لایه ورودی به لایه خروجی, مبتنی بر رگرسیون خط الراس نسبت به راه حلهای توسط شبه معکوس مور-پنروس بهتر بود.به جای استفاده از یک تصادفی سازی یکنواخت در[-1, مجموعه داده UCI, مجموعه های فشرده با ویژگی یادگیری سریع, وابع فعالسازی hardlim وsign