Conjugate gradient algorithm based on Meyer method for training artificial neural networks

العناوين الأخرى

خوارزمية تدرج مترافق مستندة على طريقة Meyers لتدريب الشبكات العصبية الإصطناعية

المؤلفون المشاركون

Muhammad, Hind H.
Abbu, Khalil K.

المصدر

المجلة العراقية للعلوم الإحصائية

الناشر

جامعة الموصل كلية علوم الحاسبات و الرياضيات

تاريخ النشر

2013-12-31

دولة النشر

العراق

عدد الصفحات

15

التخصصات الرئيسية

الرياضيات

الموضوعات

• المعادلات
• نظرية التقريب
• الشبكات العصبية(الحاسبات الإلكترونية)

الملخص العربي

إن الاختلاف بين الناتج المطلوب و الناتج الفعلي للشبكة العصبية الاصطناعية متعددة الطبقات ينتج عنه قيما خطأ يمكن التعبير عنه بدلالة أوزان الشبكة و بذلك تصبح مسألة تدريب الشبكة من مسائل الأمثلية التي تبحث في تقليل دالة الخطأ أقل ما يمكن.

يهتم هذا البحث بتحسين الآلية التي يتم بموجبها تقليل دالة الخطأ حيث تم اقتراح صيغة جديدة لحساب عامل تعليم مستندة على صيغة Meyers لتطوير خوارزمية تدرج مترافق لتدريب الشبكات العصبية الاصطناعية ذات التغذية الأمامية.

عمليا عجلت هذه الطريقة تدريب الشبكة عند مقارنتها بطريقتي (FRCG) و (PRCG) لحل ثلاث أنواع مختلفة من المسائل المشهورة في الشبكات العصبية الاصطناعية (و هي تقريب الدوال، مسألة XOR و مسألة Monk 1) حيث تم تنفيذها لـ 100 محاكاة.

الملخص الإنجليزي

The difference between the desired output and the actual output of an multi-layers feed forward neural network produces an error value can be expressed it as a function of the network weights.

Therefore training the network becomes an optimization problem to minimize the error function.

This search suggests a new formula for computing learning rate based on Meyers formula to modify conjugate gradient algorithm (MCG) for training the FFNN.

Typically this method accelerate the method of Fletcher–Reeves (FRCG) and Polak–Ribere (PRCG) when using it to solve three different types problems well known in the artificial neural network (namely, XOR problem, function approximation, and the Monk1 problem ) with 100 simulations.

نوع البيانات

أوراق مؤتمرات

رقم السجل

BIM-345613

• APA
• MLA
• AMA