شبکه خودسازمانده پويا با يادگيري نيمهناظر در بسياري از کاربردها نظیر خوشهبندی دادهها کاربرد دارد. محاسبه پارامترهاي شبکه خودسازمانده شامل شکل و ساختار لايه خوشهبندی، سطح فعالسازی و وزنهاي لايه طبقهبندی از جمله مسایل چالشبرانگیز و مهم آن است. راهکارهای ارائهشده چکیده کامل
شبکه خودسازمانده پويا با يادگيري نيمهناظر در بسياري از کاربردها نظیر خوشهبندی دادهها کاربرد دارد. محاسبه پارامترهاي شبکه خودسازمانده شامل شکل و ساختار لايه خوشهبندی، سطح فعالسازی و وزنهاي لايه طبقهبندی از جمله مسایل چالشبرانگیز و مهم آن است. راهکارهای ارائهشده فعلی از روشهای ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتمها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمهناظر مبتنی بر شبکه خودسازمانده پویا و يادگيري حداکثري را برای اولین بار مورد بررسی قرار میدهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین میکند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینهسازی شبکه خودسازمانده پویا مورد استفاده قرار میگیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمهناظر خودسازمانده پویا ارائه شده است. آزمایشهای انجامشده بر روی دادههای برخط و با برچسب جزئی نشان میدهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمهناظر خودسازمانده پویا برتری نسبی دارد.
پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحهآرایی و انتشار الکترونیکی نشریات علمی را به انجام میرساند