文献

J-GLOBAL ID：202002265027106984   整理番号：20A0958516

ニューラルネットワークの構造とパラメータを最適化するための集団知能ベースの微分進化アルゴリズム【JST・京大機械翻訳】

A Collective Intelligence Based Differential Evolution Algorithm for Optimizing the Structure and Parameters of a Neural Network

著者 (5件)： Jiang Ruizheng (Marine Engineering College, Dalian Maritime University, Dalian, China) ,  Zhang Jundong (Marine Engineering College, Dalian Maritime University, Dalian, China) ,  Tang Yuanyuan (Marine Engineering College, Dalian Maritime University, Dalian, China) ,  Wang Chuan (Marine Engineering College, Dalian Maritime University, Dalian, China) ,  Feng Jinhong (Marine Engineering College, Dalian Maritime University, Dalian, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 69601-69614  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文において,自己学習収集知能微分進化(SLCIDE)アルゴリズムを提案して,フィードフォワードニューラルネットワーク(FNN)のアーキテクチャとパラメータの両方を最適化した。探索開発能力を改善するために,新しい収集知能(CI)ベースの突然変異演算子を,現在の母集団におけるいくつかの有望なドナーベクトルを混合することによって提案した。さらに,広く使用されている教師なし学習法,k-平均を用いて,mトップランク付けドナーベクトルを適応的に選択するように設計された自己学習機構を開発した。結果として,提案した手法は,より適応性があり,統計的に汎用性のある問題に対して強力である。次に,著者らは,D=30とD=50によるCEC2013のいくつかの数値的最適化問題を研究することによって,提案したSLCIDE方式の性能を評価した。さらに,提案したSLCIDE法を適用して,4つの最も一般的なデータセット上でFNNを訓練し,非常に競争力のある性能を得た。包括的実験結果は,提示したSLCIDE法が他の最先端アルゴリズムと比較してより良い結果を得ることを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  *最適化 ,  ドナー ,  ベクトル ,  最適化問題 ,  *ニューラルネットワーク ,  教師なし学習 ,  適応性 ,  等級づけ ,  母集団 ,  計算機アーキテクチャ
準シソーラス用語： 自己学習 ,  フィードフォワードニューラルネットワーク ,  *微分進化 ,  *微分進化アルゴリズム , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： ニューラルネットワーク ,  パラメータ ,  最適化 ,  集団 ,  知能 ,  微分進化アルゴリズム