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

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.