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.
جهت ارزیابی و مقایسه CGPANN با سایر الگوریتمها یک سری آزمایشات صورت گرفته است. نتایج بیانگر اینست که این شبکه به طور میانگین خوب عمل میکند و دقت معادل 100 درصد را در تعداد دفعاتی که هم برای موارد نوع 1 و هم نوع 2 بکار میرود بدست میآورد. امیدوار کنندهترین جنبه این است که میانگین خطاهای نوع 2، 5/98 درصد میباشد که نشان از قدرت الگوریتم در پرهیز از اشتباه طبقهبندی کردن موارد بدخیم به عنوان نمونههای خوشخیم میباشد.
در این مقاله یک الگوریتم عصبی فراگشتی یادگیری سریع ارائه گردیده که براساس برنامه ریزی ژنتیکی دکارتی مربوط به سازهها و ساختارهای تغذیه کننده روبه جلو (FCGPANN) و شبکه های برگرداننده (RCGPANN) میباشد. این الگوریتم بر اساس معیار متوازن کننده قطبی و برای تشخیص سرطان سینه مورد تست و آزمایش قرار گرفت. نتایج نشان میدهد که CGPANN حضور قدرتمند و قابل انعطاف GP را به سمت تکامل شبکههای عصبی سوق میدهد. مشاهده شد که FCGPANN و RCGPANN در مقایسه با تکنیکهای منتشر شده قبلی، به طور میانگین راه حلهایی با ارزیابیهای کمتر برای کارهای متعادل کننده قطبی در اختیار میگذارند. اضافه کردن recurrency به شبکه CGPANN عملکرد شبکه را از طریق پیدا کردن راه حلهایی برای موقعیتهای غیرخطی و غیرمارکوینی بهتر کرد. نتایج شبیهسازی شده نشان میدهد که FCGPANN و RCGPANN کنترل کنندهها و معیارهای قویای تولید میکنند که نسبت به سایر متدهای گزارش شده تا به امروز، قابلیت تعمیمدهی بهتری دارند. مشخصا CGPANN به شدت با تکنیکهای عصبی فراگشتی محقق شده و ثابت شده مثل NEAT، SANE، ESP و CoSyNE قابل رقابت میباشد.