فایل ورد کامل ویژگی های تکاملی و بهینه سازی پارامتر شبکه های عصبی اسپک برای یادگیری بدون نظارت

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 ویژگی های تکاملی و بهینه سازی پارامتر شبکه های عصبی اسپک برای یادگیری بدون نظارت،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

VI.نتیجه گیری
این کار دو مدل جدید عصبی تکاملی برای انتخاب پارامتر و ویژگی جهت خوشه بندی مسائل پیشنهاد کرده است، که SNN-OGP و QbrSNN نامیده می شوند. ویژگی های هر دو مدل SNN-OGP و QbrSNN از جمله تدوین کروموزوم هر فرد (مقادیر واقعی و باینری) و تابع ارزیابی، انتخاب و روش نوترکیبی، شرح داده شد. ما از مجموعه ای ۸ معیاری از مخزن UCI برای ارزیابی هر دو مدل استفاده کردیم. نتایج نشان می دهد که SNN-OGP و QbrSNN به طور قابل توجهی عملکرد بهتری نسبت به SNN استاندارد با ارزیابی کمتر نشان می دهند. با مقایسه این دو روش می توان دریافت که، QbrSNN در بسیاری از موارد خوشه بندی با کیفیت تری از SNN-OGP دارد. با این حال، QbrSNN به طور متوسط ۴۰ درصد بیشتر از SNN-OGP به تلاشهای محاسباتی نیاز دارد. بنابراین، کاربر باید این مبادله را در هنگام استفاده از QbrSNN برای انتخاب ویژگی و بهینه سازی پارامتر در نظر بگیرد.
آثار آینده می توانند هر دو مدل را برای یادگیری تحت نظارت مانند طبقه بندی و پیش بینی مسائل گسترش دهند. تحقیقات دیگر می تواند یک آنالیز رفتاری بر روی پارامترهای الگوریتم های تکاملی (به عنوان مثال، اندازه جمعیت و نرخ نوترکیبی) انجام داده و تاثیر آنها را بر روی کیفیت نهایی خوشه بندی ارزیابی کند. در نهایت، هر دو مدل می توانند با یک مجموعه بزرگتر از معیارها با استفاده از دیگر رویکردهای تکاملی، برای پیدا کردن الگوریتم تکاملی مناسب تر برای انتخاب ویژگی و انتخاب پارامتر SNN ارزیابی شوند.

عنوان انگلیسی:Evolutionary Features and Parameter Optimization of Spiking Neural Networks for Unsupervised Learning~~en~~

VI. CONCLUSIONS

This work proposed two new neuro-evolutionary models for parameter and feature selection for clustering problems, termed SNN-OGP and QbrSNN. The characteristics of both SNN-OGP and QbrSNN were described, including the chromosome codification of each individual (real and binary values) and the evaluation function, selection, and recombination procedures. We used a set of 8 benchmarks from the UCI repository to evaluate both models. The results demonstrate that SNN-OGP and QbrSNN are feasible in that they significantly outperformed a standard SNN with fewer evaluations. When comparing both approaches, QbrSNN yielded a slightly higher-quality clustering than SNN-OGP in most cases. However, QbrSNN required an average of 40% more computational effort than SNN-OGP. Therefore, the user must consider this trade-off when applying QbrSNN for feature selection and parameter optimization. Future works can extend both models for supervised learning, such as classification and forecasting problems. Other research can perform a behavioral analysis on the evolutionary algorithms’ parameters (e.g., population size, recombination rates) and evaluate their influence on the final clustering quality. Finally, both models can be evaluating with a larger set of benchmarks using other evolutionary approaches to find the most suitable evolutionary algorithm for feature selection and SNN parameter selection.

$$en!!