Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Các Thuật Toán Hợp Tác-Cạnh Tranh cho Các Mạng Tiến Hóa Phân Loại Hình Ảnh Kỹ Thuật Số Ồn
Tóm tắt
Chúng tôi mô tả một phương pháp hiệu quả để kết hợp tìm kiếm toàn cầu của các thuật toán di truyền (GAs) với tìm kiếm cục bộ của các thuật toán giảm dần theo gradient. Mỗi kỹ thuật tối ưu hóa một tập hợp con tách biệt của các tham số trọng số của mạng. NST của GA cố định các bộ phát hiện đặc trưng và vị trí của chúng, và một thuật toán giảm dần theo gradient bắt đầu từ các giá trị khởi tạo ngẫu nhiên tối ưu hóa các trọng số còn lại. Ba thuật toán có các phương pháp khác nhau để mã hóa trọng số của các đơn vị ẩn trong NST được áp dụng cho các perceptron nhiều lớp (MLPs) để phân loại các hình ảnh kỹ thuật số ồn. Hàm thích nghi đo độ chính xác phân loại MLP cùng với sự tự tin của các mạng.
Từ khóa
#thuật toán di truyền #thuật toán giảm dần theo gradient #perceptron nhiều lớp #phân loại hình ảnh kỹ thuật số ồn #mạng tiến hóaTài liệu tham khảo
Yao, X.: A review of evolutionary artificial neural networks, International Journal of Intelligent Systems 8 (1993), 539–567.
Belew, R.K., McInerney, J. and Schraudolph, N.: Evolving networks: using the genetic algorithm with connectionist learning, In: C.G. Langton, C. Taylor, J.D. Farmer, S. Rasmussen (eds.), Artificial Life II, SFI Studies in the Science of Complexity, Volume 10, Redwood City, CA, Addison-Wesley, 1991, pp. 511–547.
McInerney, M. and Dhawan, A. P.: (1993). Use of genetic algorithms with back propagation in training of feed-forward neural networks, In: IEEE International Conference on Neural Networks 1, New Jersey, IEEE, 1993, pp. 203–208.
Schaffer, J.D., Caruana, R. A. and Eshelman, L. J.: Using genetic search to exploit the emergent behavior of neural networks, Physica D 42 (1990), 244–248.
Bebis, G., Georgiopoulos, M. and Kasparis, T.: Coupling weight elimination with genetic algorithms to reduce network size and preserve generalization, Neurocomputing 17 (1997), 167–194.
Yao, X. and Liu, Y.: Towards designing artificial neural networks by evolution, Applied Mathematics and Computation 91(1) (1998), 83–90.
Moriarty, D.E. and Miikkulainen, R.: Efficient reinforcement learning through symbiotic evolution, Machine Learning 22 (1996), 11–33.
Potter, M. A., DeJong, K. A. and Grefenstette, J. J.: A coevolutionary approach to learning sequential decision rules, In: Proceedings of the Sixth International Conference on Genetic Algorithms, Pittsburgh, PA, 1995.
Dellaert F. and Vandewalle, J.: Automatic design of cellular neural networks by means of genetic algorithms: finding a feature detector, In: 3rd IEEE International Workshop on Cellular Neural Networks, New Jersey, IEEE, 1994, pp. 189–194.
Davis, L.: Handbook of Genetic Algorithms, Van Nostrand Reinhold, New York, 1991.
Whitley, D.: The GENITOR algorithm and selective pressure, In: J.D. Schaffer (ed.), Proceedings of the Third International Conference on Genetic Algorithms, Morgan Kaufmann, San Mateo, CA, 1989, pp. 116–121.
Hinton, G.E. and Nowlan, S. J.: How learning can guide evolution, Complex Systems 1 (1987), 495–502.