فایل ورد کامل ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ماشین یادگیری سریع تجمعی پویا مبتنی بر آنتروپی نمونه،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

۵ نتایج
در این مقاله، روش DE-ELM مبتنی بر انتروپی نمونه پیشنهاد شده است که از AdaBoost برای آموزش N SLFNN آموزش دیده با ELM به عنوان N طبقه بند پایه استفاده نموده و نمونه جدید را با استراتژی مجموعه (تجمع) پویا طبقه بندی می نماید. DE-ELM نه تنها بر بسیاری از کمبودهای الگوریتم یادگیری مبتنی بر گرادیان سنتی نظیر کمینه محلی، میزان یادگیری نادرست، و سرعت پائین یادگیری، غلبه می نماید، بلکه همچنین می تواند مسائل و مشکلات ناپایداری و بیش برازش را در ELN اصلی رفع نموده و صحت پیش بینی را افزایش دهد. نتایج آزمایش نشان می دهد که شیوه پیشنهادی پایدار و کارآمد است.

عنوان انگلیسی:Dynamic ensemble extreme learning machine based on sample entropy~~en~~

۵ Conclusions

In this paper, based on sample entropy the DE-ELM is proposed, which use AdaBoost to train N SLFNNs trained with ELM as N base classifiers and classify a new sample by strategy of dynamic ensemble. The DE-ELM not only can overcome many shortages in the traditional gradientbased learning algorithm such as local minimal, improper learning rate, and low learning speed but also can alleviate the problems of instability and over-fitting in original ELN, and increase the prediction accuracy. The experimental results show that the proposed approach is robust and efficient.

$$en!!