مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقدمه

در شبکه های عصبی کلاسیک معماری شبکه باید قبل از شروع کار مشخص شود به این معنی که باید تعداد لایه های مخفی و نرونهای هر لایه مشخص شوند ، تشخیص دقیق معماری بهینه در اکثر موارد با پیچیدگی همراه است و معمولا" از سعی و خطا برای پیدا کردن معماری مناسب استفاده میشود. از طرف دیگر آموزش بر روی شبکه بدست آمده بر روی تمامی شبکه همراه با هم صورت میگیرد. آموزش همه نرون ها با یکدیگر این مشکل را دارد که طی فرآیند آموزش در هر مرحله تمامی ضرایب در جهتی تغییر میکنند که خطای کنونی را کاهش دهد و در مراحل مختلف هر بار بزرگترین منبع خطا دنبال میشود و در مراحل بعدی منبع ( یا منابع ) دیگری که در مرحله کنونی خطای بزرگتری دارند دنبال میشود. این باعث میشود که شبکه بین منابع مختلف خطا تا حدی رفت و برگشت داشته باشد.

شبکه عصبی Cascade-Correlation رویکرد متفاوتی را در نظر میگیرند. در این شبکه ها اولا" معماری شبکه با اضافه کردن نرون های جدید بسته به نیاز تعیین میشود و ثانیا" بجای آموزش تمام شبکه در هر مرحله ، در هر مرحله تنها بخشی از شبکه را آموزش میدهد. به این شکل علاوه بر تعیین خودکار معماری ، از رفت و برگشت بین منابع خطا نیز جلوگیری شده و بازدهی افزایش می یابد.

کلمات کلیدی:

شبکه های عصبی

شبکه های Cascade-Correlation

الگوریتم

معماری شبکه

نرون