Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa cấu trúc mạng nơ-ron dựa trên kỹ thuật thuật toán di truyền kết hợp và tối ưu bầy đàn (c-GA–PSO-NN)
Tóm tắt
Trong bài báo ngắn này, một kỹ thuật kết hợp giữa thuật toán di truyền và tối ưu bầy đàn (PSO) đã được sử dụng để giám sát mạng nơ-ron, trong đó các phép toán và kết nối của các lớp được theo dõi bởi thuật toán di truyền và các giá trị số của độ chênh lệch (bias) và trọng số (weight) của các lớp được xem xét bởi tối ưu bầy đàn nhằm điều chỉnh cấu trúc tối ưu của mạng. Phương pháp này đã được áp dụng cho một trường hợp đã được nghiên cứu trước đó, và các kết quả đã được phân tích. Sự hội tụ đến cấu trúc tối ưu diễn ra rất nhanh chóng và hiệu quả, và các trọng số cùng độ chênh lệch thu được cho thấy độ tin cậy lớn trong việc tái tạo dữ liệu. Cấu trúc tối ưu của mạng nơ-ron chỉ được xác định sau bảy vòng lặp, và hệ số tương quan bình phương trung bình (R^2) đạt 0.9989 cho các trường hợp đã được nghiên cứu. Phương pháp được đề xuất có thể được sử dụng để tối ưu hóa cấu trúc của mạng nơ-ron một cách nhanh chóng và đáng tin cậy.
Từ khóa
#thuật toán di truyền #tối ưu bầy đàn #mạng nơ-ron #tối ưu hóa cấu trúcTài liệu tham khảo
Du X, Yuan Q, Zhao J, Li Y (2007) Comparison of general rate model with a new model—artificial neural network model in describing chromatographic kinetics of solanesol adsorption in packed column by macroporous resins. J Chromatogr A 1145(1–2):165–174. doi:10.1016/j.chroma.2007.01.065
Madaeni SS, Hasankiadeh NT, Kurdian AR, Rahimpour A (2010) Modeling and optimization of membrane fabrication using artificial neural network and genetic algorithm. Sep Purif Technol 76(1):33–43. doi:10.1016/j.seppur.2010.09.017
Moon JW, Lee J-H, Chang JD, Kim S (2014) Preliminary performance tests on artificial neural network models for opening strategies of double skin envelopes in winter. Energy Build 75:301–311. doi:10.1016/j.enbuild.2014.02.007
Lashkarbolooki M, Vaferi B, Rahimpour MR (2011) Comparison the capability of artificial neural network (ANN) and EOS for prediction of solid solubilities in supercritical carbon dioxide. Fluid Phase Equilib 308(1–2):35–43. doi:10.1016/j.fluid.2011.06.002
Tabaraki R, Khayamian T, Ensafi AA (2007) Solubility prediction of 21 azo dyes in supercritical carbon dioxide using wavelet neural network. Dyes Pigm 73(2):230–238. doi:10.1016/j.dyepig.2005.12.003
Vaferi B, Karimi M, Azizi M, Esmaeili H (2013) Comparison between the artificial neural network, SAFT and PRSV approach in obtaining the solubility of solid aromatic compounds in supercritical carbon dioxide. J Supercrit Fluids 77:44–51. doi:10.1016/j.supflu.2013.02.027
Yao X, Wang Y, Zhang X, Zhang R, Liu M, Hu Z, Fan B (2002) Radial basis function neural network-based QSPR for the prediction of critical temperature. Chemometr Intell Lab Syst 62(2):217–225. doi:10.1016/s0169-7439(02)00017-5
Shirazian S, Alibabaei M (2016) Using neural networks coupled with particle swarm optimization technique for mathematical modeling of air gap membrane distillation (AGMD) systems for desalination process. Neural Comput Appl. doi:10.1007/s00521-016-2184-0
Khansary MA, Sani AH (2014) Using genetic algorithm (GA) and particle swarm optimization (PSO) methods for determination of interaction parameters in multicomponent systems of liquid–liquid equilibria. Fluid Phase Equilib 365:141–145. doi:10.1016/j.fluid.2014.01.016
He Q, Li P, Geng H, Zhang C, Wang J, Chang H (2014) Modeling and optimization of air gap membrane distillation system for desalination. Desalination 354:68–75. doi:10.1016/j.desal.2014.09.022