多層パーセプトロン訓練のための適合度依存最適化器の使用【JST・京大機械翻訳】

Abbas Dosti Kh.; Rashid Tarik A.; Bacanin Karmand H. Abdallaand Nebojsa; Alsadoon Abeer

プレプリント

J-GLOBAL ID：202202212083546737 整理番号：22P0022800

多層パーセプトロン訓練のための適合度依存最適化器の使用【JST・京大機械翻訳】

Using Fitness Dependent Optimizer for Training Multi-layer Perceptron

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月03日プレプリントサーバーでの情報更新日： 2022年01月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本研究では,最近提案されたFitness依存性最適化器(FDO)に依存する新しい訓練アルゴリズムを提案した。このアルゴリズムの安定性を検証し,いくつかの標準測定を用いて探査と開発段階の両方で性能評価を行った。これは,多層パーセプトロンニューラルネットワーク(MLP)の訓練におけるアルゴリズムの性能を測るための目標に影響した。本研究は,学生の転帰を予測するために,重みとバイアスを最適化するために,FDOとMLP(コデナームFDO-MLP)を組み合わせた。本研究は,学生の教育背景に関する学習システムを,彼らの成果の増加に加えて改善できる。このアプローチの実験結果を,バックプロパゲーションアルゴリズム(BP)と,カスケードMLP(FDO-MLP)とのFDO,MLP(GWO-MLP)と組み合わせたGrey Wolf Optimizer(GWO),カスケードMLP(GWO-MLP)と組み合わせた修正GWO,カスケードMLP(MGWO-MLP)による修正GWO,およびカスケードMLP(MGWO-MLP)による修正GWOとの比較によって,確認する。。”Plack-Propagation アルゴリズム(BP)と,いくつかの進化モデル,およびMLP(MGWO-MLP)と複合したGWO(GWO-MLP),およびカスケードMLPによる修正GWO(MGWO-MLP)とを組み合わせて,このアプローチの実験結果を確認した。定性的および定量的結果は,訓練者としてFDOを用いた提案した手法が,収束速度および局所最適回避に関して,データセット上で異なる訓練者を用いて他のアプローチを凌駕できることを証明した。提案したFDO-MLPアプローチは0.97のレートで分類する。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

脳・神経系モデル , ニューロコンピュータ , 風力エネルギー

, , ,

前のページに戻る