抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】