文献

J-GLOBAL ID：202102227709854503   整理番号：21A2385895

動径基底関数ニューラルネットワークによる2充足可能性に基づく逆解析法における人工免疫システム【JST・京大機械翻訳】

Artificial Immune System in Doing 2-Satisfiability Based Reverse Analysis Method via a Radial Basis Function Neural Network

著者 (2件)： Alzaeemi Shehab Abdulhabib ,  Sathasivam Saratha
資料名： Processes (Web)  (Processes (Web))
巻： 8  号： 10  ページ： 1295  発行年： 2020年 
JST資料番号： U7264A  ISSN： 2227-9717  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 動径基底関数ニューラルネットワークベースの2充足可能性逆解析(RBFNN-2SATRA)は,主に線形最適出力重みを,最低反復誤差と共に適切に取得することに依存する。本研究は,RBFNN-2SATRAにおける人工免疫システム(AIS)アルゴリズムの能力と同様に有効性を調査することを目的とする。さらに,最適出力重みを得るために出力線形性を改善することを目指した。本論文では,RBFNN-2SATRA訓練を通して接続重みの有効性を高めるために,人工免疫システム(AIS)アルゴリズムを導入し,実装した。導入した方法が効率的に機能することを証明するために,5つのよく確立されたデータセットを解決した。さらに,RBFNN-2SATRA訓練のためのAISの使用を,遺伝的アルゴリズム(GA),微分進化(DE),粒子群最適化(PSO),および人工ハチコロニー(ABC)アルゴリズムと比較した。測定値と精度に関して,シミュレーション結果は,提案方法が平均絶対誤差(MAE),平均絶対値誤差(MAPE),根平均二乗誤差(RMSE),Schwarz Bayes Criterion(SBC),および中央プロセス単位時間(CPU時間)という点で性能が優れていることを示した。」ということを示した。また,このシミュレーション結果は,平均絶対誤差(MAE),平均絶対値誤差(MAPE),二乗平均平方根誤差(RMSE),Schwarz Bayes Criterion(SBC),および中央プロセス単位時間(CPU時間)に関して性能が優れていることを示した。導入した方法は,シミュレーションプロセスを通してロバスト性,精度,および感度の面で既存の4つのアルゴリズムより優れていた。したがって,提案したAISアルゴリズムは,(または,)RMSEの訓練の平均値が97.5%まで上昇し,SBCが99.9%まで上昇し,CPU時間が99.8%まで,RBFNN-2SATRAに効果的に適合することが証明された。さらに,MAEにおける試験の平均値は78.5%まで上昇し,MAPEは71.4%まで上昇し,GA,DE,PSOおよびABCアルゴリズムに対する結果と比較して,試験試料のより高い割合(81.6%)を分類できた。Copyright 2021 The Author(s) 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 ,  シミュレーション ,  線形性 ,  有効性 ,  絶対値 ,  ロバスト性 ,  CPU時間 ,  遺伝的アルゴリズム
準シソーラス用語： 逆解析 ,  粒子群最適化 ,  平均二乗誤差 ,  *人工免疫システム ,  微分進化 ,  人工ハチコロニー ,  平均絶対誤差 , 【Automatic Indexing@JST】

著者キーワード (7件)： 人工免疫系 ,  微分進化 ,  遺伝的アルゴリズム ,  人工蜂コロニー ,  粒子群最適化 ,  動径基底関数ニューラルネットワーク ,  2充足可能性に基づく逆解析

分類 (4件)： 人工知能  (JE08000Z) ,  化学プロセスの制御  (XC02020N) ,  ニューロコンピュータ  (JC06010Q) ,  システム同定  (IA02040O)

引用文献 (76件)：

• Li, Z.; He, G.; Li, M.; Ma, L.; Chen, Q.; Huang, J.; Cao, J.; Feng, S.; Gao, H.; Wang, S. RBF neural network based RFID indoor localization method using artificial immune system. In Proceedings of the 2018 Chinese Control And Decision Conference (CCDC), Shenyang, China, 9-11 June 2018; pp. 2837-2842.
• Yu, B.; He, X. Training radial basis function networks with differential evolution. In Proceedings of the Institute of Electrical and Electronics Engineers (IEEE) International Conference on Granular Computing, Atlanta, GA, USA, 10-12 May 2006; pp. 157-160.
• Moody, J.; Darken, C.J. Fast Learning in Networks of Locally-Tuned Processing Units. Neural Comput. 1989, 1, 281-294.
• Yu, H.; Xie, T.; Paszczynski, S.; Wilamowski, B.M. Advantages of Radial Basis Function Networks for Dynamic System Design. IEEE Trans. Ind. Electron. 2011, 58, 5438-5450.
• Qadir, A.; Gazder, U.; Choudhary, K.U.N. Artificial Neural Network Models for Performance Design of Asphalt Pavements Reinforced with Geosynthetics. Transp. Res. Rec. J. Transp. Res. Board 2020, 0361198120924387.

タイトルに関連する用語 (4件)： 動径基底関数ニューラルネットワーク ,  充足可能性 ,  解析法 ,  人工免疫システム