مقاله بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه که چکیده‌ی آن در زیر آورده شده است، در ۱۳۹۲ در پردازش علایم و داده ها از صفحه ۴۷ تا ۶۷ منتشر شده است.
نام: بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه
این مقاله دارای ۲۱ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله شبکه عصبی بازگشتی جاذب (ARNN)
مقاله دینامیک های آشوب گونه
مقاله نورون آشوب گونه
مقاله جاذب نقطه ای
مقاله بازشناسی مقاوم الگو

نویسنده(ها):
جناب آقای / سرکار خانم: آذرپور معصومه
جناب آقای / سرکار خانم: سیدصالحی سیدعلی

چکیده و خلاصه‌ای از مقاله:
در این مقاله، به منظور ارزیابی تاثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارائه شده است. در مدل اول که بر اساس نظریه انتخاب طبیعی طراحی شده است، شبکه عصبی بازگشتی جاذب (ARNN) به عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می کند. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود نورون هایی با تابع فعالیت آشوب گونه دارد. رفتار این نورون ها توسط پارامترآنها تنظیم می شود. بهبود درصد صحت عمکرد مدل اول در بازشناسی الگوی نوفه ای در سطوح نوفه بالا (بیش از ۶۰%) به ترتیب ۳۷٫۱۶%، ۲۹٫۱۵% و ۸٫۵% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره اشوبی NDRAM- و شبکه ARNN، است. همچنین مدل دوم، درصد صحت بازشناسی شبکه ARNN و مدل اول را در بازشناسی الگوی نوفه ای در سطوح نوفه بالا (بیش از ۶۰%) به ترتیب ۱۳٫۹۱% و ۵٫۴۱% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه ای که مشابه رفتار شبکه ARNN است، درصد صحت بازشناسی را ۱۰٫۴۱% نسبت به این شبکه بهبود داده است.