Сравнение алгоритмов обучения нейронной сети с бинарными входами
Автор: Лзин Илья Александрович, Муравьв Вячеслав Вячеславович
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 4-4 т.18, 2016 года.
Бесплатный доступ
Данная статья сравнивает несколько алгоритмов обучения нечеткой нейронной сети Ванга-Менделя: алгоритм наискорейшего спуска, генетический алгоритм, алгоритм имитации отжига, алгоритм имитации роя частиц, алгоритм дифференциальной эволюции. Сравнение проводилось на данных из международного репозитория c бинарными значениями. При решении задачи классификации наилучшие результаты показал генетический алгоритм.
Алгоритм обучения, нейронная сеть, алгоритм наискорейшего спуска, генетический алгоритм, алгоритм имитации отжига, алгоритм имитации роя частиц, алгоритм дифференциальной эволюции
Короткий адрес: https://sciup.org/148204766
IDR: 148204766
Список литературы Сравнение алгоритмов обучения нейронной сети с бинарными входами
- Лёзин И.А., Солдатова О.П. Исследование качества решения задачи классификации нейронными нечёткими продукционными сетями на основе модели вывода Мамдани-Заде//Вестн. Сам.гос. техн. ун-та. Сер. Физ.-мат. науки, 2014. 2(35). С. 136-148.
- Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
- Лёзин И.А., Муравьёв В.В. Применение генетического алгоритма для обучения нечеткой многовыходовой нейронной сети Ванга-Менделя//Перспективные информационные технологии (ПИТ 2014): труды Международной научно-технической конференции . Самара: Издательство Самарского научного центра РАН. 2014. С.64 -66.
- Метод роя частиц . URL: https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D1%80%D0%BE%D1%8F_%D1%87%D0%B0%D1%81%D1%82%D0%B8%D1%86 (дата обращения 10.09.2016).
- Дифференциальная эволюция [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/%D0%94%D0%B8%D1%84%D1%84%D0%B5%D1%80%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%8D%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F (дата обращения 10.09.2016).
- UCI Machine Learning Repository . URL: http://archive.ics.uci.edu/ml/(дата обращения 10.09.2016).
