ترجمه مقاله الگوریتم های NLMS با اندازه متغیر و پروجکشن آفین – نشریه IEEE
مبلغ : 27800 تومان
سال انتشار : 2004
ترجمه مقاله یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی تنک – نشریه الزویر
قیمت خرید این کالا
35,800 تومان
| عنوان فارسی: | یادگیری ساختاری در شبکه های عصبی مصنوعی با استفاده از بهینه سازی تنک |
| عنوان انگلیسی: | Structural learning in artificial neural networks using sparse optimization |
| تعداد صفحات مقاله انگلیسی : 17 | تعداد صفحات ترجمه فارسی : 20 |
| سال انتشار : 2017 | نشریه : الزویر - Elsevier |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 357 | رفرنس : دارد ✓ |
| محتوای فایل : zip | حجم فایل : 1.77Mb |
| رشته های مرتبط با این مقاله: مهندسی صنایع و کامپیوتر |
| گرایش های مرتبط با این مقاله: بهینه سازی سیستم ها، مهندسی الگوریتم ها و محاسبات |
| مجله: محاسبات عصبی - Neurocomputing |
| دانشگاه: طراحی فرایند و مهندسی سیستم، دانشکده علوم و مهندسی، دانشگاه Åbo Akademi، فنلاند |
| کلمات کلیدی: یادگیری ساختاری، شبکه های عصبی مصنوعی، بهینه سازی تنک، وزن دهی مجدد تکراری |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده 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
نکات برجسته
چکیده
مقدمه
ساختار شبکه و نشان گذاری
همبندی تنک در شبکه های عصبی
3-1 بهینه سازی تنک
3-2 راه حل های تقریبی (P*0)
3-3 جستجوی خط پس گرد
آزمایش ها
4-1 مثال تشریحی
4-2 مثال تشریحی: طبقه بندی
4-3 مطالعه موردی: تخمین بازیافت حرارت تلف شده در کشتی ها
نتیجه گیری اظهارات
نمونه متن انگلیسی
Abstract
In this paper, the problem of simultaneously estimating the structure and parameters of artificial neural networks with multiple hidden layers is considered. A method based on sparse optimization is proposed. The problem is formulated as an `0-norm minimization problem, so that redundant weights are eliminated from the neural network. Such problems are in general combinatorial, and are often considered intractable. Hence, an iterative reweighting heuristic for relaxing the `0-norm is presented. Experiments have been carried out on simple benchmark problems, both for classification and regression, and on a case study for estimation of waste heat recovery in ships. All experiments demonstrate the effectiveness of the algorithm.
نمونه متن ترجمه
چکیده
در این مقاله مسئله تخمین همزمان ساختار و پارامترهای شبکه های عصبی مصنوعی با چندین لایه مخفی در نظر گرفته می شود. روشی بر مبنای بهینه سازی تنک ارائه می شود. مسئله به صورت یک مسئله کمینه سازی هنجار ℓ0 به گونه ای فرمول بندی می شود که اوزان افزونه از شبکه عصبی حذف می شوند. چنین مسائلی به طور کلی ترکیبی هستند و اغلب حل نشدنی در نظر گرفته می شوند. بنابراین یک وزن دهی مجدد سلسله مراتبی تکراری برای آسان سازی هنجار ℓ0 ارائه می شود. آزمایش هایی روی مسائل محک ساده، برای طبقه بندی و رگرسیون و روی یک مطالعه موردی برای تخمین حرارت تلف شده در کشتی ها، انجام گرفته است. تمامی آزمایش ها بیانگر کارآمدی الگوریتم هستند.
