X
تبلیغات
زولا

Genetic Programming


معرفی مقاله

Fast learning neural networks using Cartesian genetic programming

شبکه های عصبی یادگیری سریع با استفاده از برنامه نویسی ژنتیک دکارتی


در این مقاله یک الگوریتم عصبی تکاملی یادگیری سریع  برای شبکه‌های تغذیه کننده رو به جلو و شبکه های برگرداننده پیشنهاد شده‌است. این روش از تکنیک برنامه‌ریزی ژنیتکی (CGP) الهام گرفته، که آن را شبکه عصبی مصنوعی مبتنی بر CGP (CGOANN) می‌نامند. ایده اصلی و مهم جایگزین کردن هر گره محاسبه‌ای در CGP با یک عصب مصنوعی است که در نهایت یک شبکه عصبی مصنوعی شکل می‌گیرد.

این روش در دو زمینه متفاوت مورد آزمایش قرار گرفت:

1- آزمایش در زمینه‌ی مشکل کنترل معیار استاندارد برای حالت های تک و دو قطبی مارکووین و غیرمارکووینی.

نتایج نشان داد که این روش نسبت به سایر تکینک‌های عصبی تکاملی می‌تواند در ارزیابی‌های کمتری، ساختار عصبی موثر و مفید‌ی را تولید کند. همچنین این شبکه‌ها در مقایسه با دیگر تکنیک‌ها، عمومیت و قدرت بهتری از خود نشان دادند.

2- استفاده از قابلیت‌های CGPANN برای تشخیص سرطان سینه با استفاده از نمونه‌های داده‌ای FNA.

نتایج نشان داد که الگوریتم پیشنهادی می‌تواند تا 95 درصد نتایج دقیقی را ارائه دهد. در نتیجه این روش یک انتخاب عالی برای شناسایی الگو در تشخیص‌های پزشکی می‌باشد، که مدیون ویژگی‌های سرعت و دقت خود در یادگیری است. قدرت CGP بر پایه ANN مربوط به نحوه نمایش و ارایه آن است که منجر به جستجوی تکاملی کارآمد توپولوژی مناسب می‌شود. این مقاله مسیرهای جدیدی را برای بکار بردن این تکنیک برای سایر کنترل خطی، غیرخطی، مارکووین، غیرمارکووینی و الگوی تشخیص مشکلات باز می‌کند.

 

ادامه مطلب

معرفی مقاله

Feature generation using genetic programming with comparative partner selection for diabetes classification

نسل ویژگی با استفاده از برنامه نویسی ژنتیک با انتخاب شریک زندگی تطبیقی برای طبقه بندی دیابت


هدف این مقاله، آسان نمودن تشخیص دیابت می‌باشد. در این مقاله از یک روش مبتنی بر برنامه‌نویسی ژنتیک برای طبقه‌بندی انوع دیابت استفاده شده‌است. از GP برای ایجاد صفات جدید استفاده شده، که اینکار با ترکیب صفات دیابتهای موجود و بدون اطلاع قبلی از پراکندگی احتمالی آنها انجام شده است. متد پیشنهاد شده سه مرحله دارد: انتخاب و گزینش صفات در مرحله اول با استفاده از T-test، تست Kolmogorov-Smirnov، تست انحراف Kullback-Leibler، انتخاب F-scare و GP انجام می‌شود. نتایج حاصل از روش‌های انتخاب صفات برای تهیه یک لیست مرتب شده بر‌اساس ویژگی‌ها و صفات اولیه و اوریجینال بکار می‌رود، لیستی که صفات بر‌اساس کاهش اهمیت اولویت بندی می‌شوند. زیرمجموعه‌های متفاوتی از صفات اولیه از طریق اضافه کردن یکی یکی صفات موجود در هر زیرمجموعه آماده می‌شود که از متد گزینش فوروارد زنجیره‌ای یا پی‌در‌پی طبق لیست مرتب شده استفاده می‌کند. در مرحله دوم، از GP برای ایجاد صفات و ویژگی‌های جدید از هر زیرمجموعه‌ی صفات اولیه دیابت‌ها استفاده می‌شود، که اینکار با ایجاد ترکیب‌های غیرخطی از صفات اولیه انجام می‌شود. 

ادامه مطلب

معرفی مقاله

Two-stage learning for multi-class classification using genetic programming

یادگیری دو مرحله ای برای طبقه بندی چند طبقه ای با استفاده از برنامه نویسی ژنتیک


این مقاله به معرفی یک استراتژی دو مرحله‌ای برای طبقه‌بندی مشکلات چند قشری می‌پردازد. تکنیک پیشنهاد شده عبارت است از توسعه روش سنتی تجزیه دوتایی سنتی. در مرحله اول، دسته‌بندی کننده‌ها برای هر دسته در مقابل دسته‌های باقیمانده، آموزش داده می‌شوند. یک مقیاس شایستگی ارزش اصلاح شده برای انتخاب متمایز کنندهای خوب برای داده‌های نامتعادل استفاده می‌شود. در مرحله دوم، دسته‌بندی کننده‌ها با هم ادغام می‌شوند و به عنوان یک کرومزوم منفرد تلقی می‌شوند که می‌تواند هر یک از دسته‌های حاصل از مجموعه داده‌ها را دسته‌بندی نماید. یک جمعیتی از این چنین کرومزوم دسته‌بندی کننده از طریق دسته‌بندی کننده‌ای خوب (برای هر طبقه منفرد) از مرحله اول بدست می‌آید. این جمعیت با یک شایستگی که دقت و ناسازگاری‌ها را با هم ترکیب می‌کند، بیشتر رشد می‌کند. این متد پیشنهادی ترکیب و ادغام دسته‌بندی کننده را با تمایز خوب بین همه دسته‌ها تقویت می کند و ناسازگاری‌های کمتری را رقم می‌زند. این یادگیری دو مرحله‌ای روی چندین مجموعه‌داده تست شده و نتایج حاصل از آن دلگرم کننده تشخیص داده شده‌اند.
 

ادامه مطلب

معرفی مقاله

GPFIS-CLASS: A Genetic Fuzzy System based on Genetic Programming for classification problems

GPF-CLASS: یک سیستم فازی ژنتیکی بر اساس برنامه نویسی ژنتیک برای مشکلات طبقه بندی


سیستم‌های فازی ژنتیکی (GFS) مدل‌هایی هستند که توانایی همگام کردن دقت و قابلیت درک بالا در نتایج خود را دارند. در مورد GFS های ایجاد شده برای دسته‌بندی، بیشتر بر بهبود اصل "ژنتیک" تاکید دارد تا اصل "فازی" بودن. تمرکز این مقاله بر جزء استنتاج فازی و به کارگیری سیستمی کارامد و تفسیر پذیرتر بر سیستم استنتاج فازی برنامه نویسی ژنتیکی مذکور را (GPFIS – CLASS) ارائه می‌دهد. این مدل مبتنی بر برنامه‌نویسی ژنتیکی چند ژنی است و هدف آن کشف عناصر سیستم استنتاج فازی می‌باشد. ویژگی های GPFIS – CLASS بدین شرح است: (الف) این سیستم قوانین فازی‌ای را ایجاد می کند که قضیه‌ی به کارگیری تی-نورم، تی-کونورم، نفی و عملکرد موانع زبانی را اثبات می کند. (ب) آن را با هر یک از قوانینی که دوره‌ی مناسب بعدی را اثبات می‌کند مرتبط می‌سازد و (ج) فرایند تراکم را با استفاده از میانگین وزن شده که با مجذور حداقل محدود محاسبه شده بهبود می‌بخشد. این امر طی دو مجموعه معیار مختلف که شامل 45 پایگاه داده می‌باشد مورد ارزیابی قرار داده و با هشت دسته کننده‌ی مختلف که شش مورد از آن ها مبتنی بر gfs ها بوده‌اند مقایسه کرده است. نتایج بدست آمده از هر دو مجموعه بیانگر این است که GPFIS – CLASS در اکثر دیتاست‌های مرجع نتایج بهتری از خود نشان داده است.

ادامه مطلب
1 2 3 4 5 >>