تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه – نشریه اشپرینگر

عنوان فارسی: ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه
عنوان انگلیسی: Dynamic ensemble extreme learning machine based on sample entropy
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 20
سال انتشار : 2012 نشریه : اشپرینگر - Springer
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6558 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.95Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
مجله: محاسبات نرم - Soft Computing
دانشگاه: آزمایشگاه هوش محاسباتی و یادگیری، دانشکده ریاضی و علوم کامپیوتر، دانشگاه هبی، چین
کلمات کلیدی: ماشین یادگیری سریع، مجموعه پویا، AdaBoost، Bagging، انتروپی نمونه
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. مرور مختصر ماشین یادگیری سریع و الگوریتم AdaBoost

الگوریتم ELM

2. 2 الگوریتم AdaBoost

3. ماشین یادگیری سریع تجمعی پویا مبتنی بر انتروپی نمونه

الگوریتم DE-ELM

4. نتایج و تحلیل آزمایش

5. نتایج

نمونه متن انگلیسی

Abstract

Extreme learning machine (ELM) as a new learning algorithm has been proposed for single-hidden layer feed-forward neural networks, ELM can overcome many drawbacks in the traditional gradient-based learning algorithm such as local minimal, improper learning rate, and low learning speed by randomly selecting input weights and hidden layer bias. However, ELM suffers from instability and over-fitting, especially on large datasets. In this paper, a dynamic ensemble extreme learning machine based on sample entropy is proposed, which can alleviate to some extent the problems of instability and over-fitting, and increase the prediction accuracy. The experimental results show that the proposed approach is robust and efficient.

نمونه متن ترجمه

چکیده

ماشین یادگیری سریع (ELM) به عنوان یک الگوریتم یادگیری جدید برای شبکه های عصبی پیشرو با یک لایه مخفی پیشنهاد شده است، ELM می تواند بر بسیاری از اشکالات الگوریتم یادگیری مبتنی بر گرادیان سنتی نظیر میزان یادگیری نادرست، کمینه محلی، و سرعت پائین یادگیری با انتخاب تصادفی اوزان ورودی و بایاس لایه مخفی غلبه می نماید. با این حال، ELM از ناپایداری و بیش برازش به ویژه روی مجموعه داده های بزرگ رنج می برد. در این مقاله، ماشین یادگیری سریع تجمعی پویا مبتنی بر انتروپی نمونه پیشنهاد شده است که می تواند تا حدی مشکلات ناپایداری و بیش برازش را حل نموده و صحت پیش بینی را افزایش دهد. نتایج آزمایش نشان می دهد که شیوه پیشنهاد پایدار و کارآمد می باشد.