ترجمه مقاله ویژگی تکاملی و بهینه سازی پارامتر شبکه عصبی اسپک برای یادگیری بدون نظارت – نشریه IEEE

عنوان فارسی: | ویژگی های تکاملی و بهینه سازی پارامتر شبکه های عصبی اسپک برای یادگیری بدون نظارت |
عنوان انگلیسی: | Evolutionary Features and Parameter Optimization of Spiking Neural Networks for Unsupervised Learning |
تعداد صفحات مقاله انگلیسی : 8 | تعداد صفحات ترجمه فارسی : 22 (2 صفحه رفرنس انگلیسی) |
سال انتشار : 2014 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : pdf و ورد تایپ شده |
کد محصول : 5339 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 4.56Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات و برنامه نویسی کامپیوتر |
مجله: کنفرانس بین المللی مشترک در شبکه های عصبی |
دانشگاه: پکن، چین |
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 |
چکیده
I. مقدمه
II. آموزش بدون نظارت با نورون اسپک
III. الگوریتم های تکاملی
A. الگوریتم تکاملی الهام گرفته شده از کوانتوم با دودویی-و واقعی (QIEA-BR)
B. بهینه سازی با استفاده از روش برنامه نویسی ژنتیک (OGP)
IV. چارچوب عصبی تکاملی
A. شبکه عصبی اسپایک کوانتومی باینری واقعی در حال تکامل
B. شبکه عصبی اسپایک بهینه سازی شده توسط برنامه نویسی ژنتیکی
V. نتایج تجربی
A. آزمایش ها
B. نتایج
VI. نتیجه گیری
Abstract
This paper introduces two new hybrid models for clustering problems in which the input features and parameters of a spiking neural network (SNN) are optimized using evolutionary algorithms. We used two novel evolutionary approaches, the quantum-inspired evolutionary algorithm (QIEA) and the optimization by genetic programming (OGP) methods, to develop the quantum binary-real evolving SNN (QbrSNN) and the SNN optimized by genetic programming (SNN-OGP) neuro-evolutionary models, respectively. The proposed models are applied to 8 benchmark datasets, and a significantly higher clustering accuracy compared to a standard SNN without feature and parameter optimization is achieved with fewer iterations. When comparing QbrSNN and SNN-OGP, the former performed slightly better but at the expense of increased computational effort.
چکیده
این مقاله دو مدل هیبریدی جدید را برای مسائل خوشه بندی معرفی می کند که در آن ویژگی های ورودی و پارامترهای یک شبکه عصبی فوران (SNN) با استفاده از الگوریتم های تکاملی بهینه سازی می شود. ما از دو روش تکاملی جدید ، روش های الگوریتم تکاملی الهام گرفته شده از کوانتوم (QIEA) و بهینه سازی توسط برنامه نویسی ژنتیکی (OGP) ، به ترتیب به منظور توسعه مدل های عصبی - تکاملی SNN کوانتومی باینری واقعی در حال تحول (QbrSNN) و SNN بهینه سازی شده توسط برنامه نویسی ژنتیکی (SNN-OGP) استفاده می کنیم. مدل های پیشنهادی به 8 مجموعه داده معیار اعمال شده، و دقت خوشه بندی بسیار بالاتر را در مقایسه با یک SNN استاندارد بدون بهینه سازی ویژگی و پارامتر با تکرار کمتر به دست می آورد. با مقایسه QbrSNN و SNN-OGP، مورد قبلی به بهای تلاش های محاسباتی بیشتر، کمی بهتر عمل می کند.