دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات بیس مهندسی فناوری اطلاعات ITدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2018دانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیسال انتشار

مقاله انگلیسی رایگان در مورد کاهش معماری مبتنی بر c-means فازی با استفاده از یک شبکه عصبی احتمالی – الزویر ۲۰۱۸

 

مشخصات مقاله
ترجمه عنوان مقاله کاهش معماری مبتنی بر c-means فازی با استفاده از یک شبکه عصبی احتمالی
عنوان انگلیسی مقاله Fuzzy c-means-based architecture reduction of a probabilistic neural network
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۳۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) MedLine – Scopus – Master Journal List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۸٫۴۴۶ در سال ۲۰۱۷
شاخص H_index ۱۲۱ در سال ۲۰۱۹
شاخص SJR ۲٫۳۵۹ در سال ۲۰۱۷
شناسه ISSN ۰۸۹۳-۶۰۸۰
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
رشته های مرتبط مهندسی کامپیوتر، فناوری اطلاعات
گرایش های مرتبط معماری کامپیوتری، هوش مصنوعی، شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله  شبکه های عصبی – Neural Networks
دانشگاه  Faculty of Electrical and Computer Engineering – Rzeszow University of Technology – Poland
کلمات کلیدی شبکه عصبی احتمالی، c-means فازی، کاهش معماری، طبقه بندی
کلمات کلیدی انگلیسی probabilistic neural network، fuzzy c–means، architecture reduction، classification
شناسه دیجیتال – doi
https://doi.org/10.1016/j.neunet.2018.07.012
کد محصول  E10733
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Probabilistic neural network

۳- Fuzzy c-means algorithm

۴- Proposed algorithm

۵- Input data sets

۶- Parameter settings

۷- Simulation experiments

۸- Conclusions

References

بخشی از متن مقاله:

Abstract

The efficiency of the probabilistic neural network (PNN) is very sensitive to the cardinality of a considered input data set. It results from the design of the network’s pattern layer. In this layer, the neurons perform an activation on all input records. This makes the PNN architecture complex, especially for big data classification tasks. In this paper, a new algorithm for the structure reduction of the PNN is put forward. The solution relies on performing a fuzzy c-means data clustering and selecting PNN’s pattern neurons on the basis of the obtained centroids. Then, to activate the pattern neurons, the algorithm chooses input vectors for which the highest values of the membership coefficients are determined. The proposed approach is applied to the classification tasks of repository data sets. PNN is trained by three different classification procedures: conjugate gradients, reinforcement learning and the plugin method. Two types of kernel estimators are used to activate the neurons of the network. A 10-fold cross validation errors for the original and the reduced PNNs are compared. Received results confirm the validity of the introduced algorithm.

Introduction

It is known that the complexity of the PNN’s architecture proposed by Specht (1990) is high. This complexity is an effect of using all of the input vectors to activate the neurons in the network’s pattern layer. Therefore, to date, considerable research attention has been paid to the structure optimization of the PNN. For example, Burrascano (1990) applies the learning vector quantization procedure to find representative patterns that can be used to build neurons in PNNs. This procedure defines a number of records that are reference vectors, which approximate the probability density functions of the input classes. Chtioui et al. (1996) present cardinality reduction of the input data for a PNN by hierarchical clustering. The solution utilizes the technique of the reciprocal neighbours, allowing for the concentration of examples that are closest to each other. Zaknich (1997) introduces the quantization method for PNN structure simplification. The input space is split into a hypergrid of a fixed-size; for all hypercubes, representative cluster centers are determined. The number of training vectors in each hyper-cube is therefore reduced to one. Chang et al. (2008) show an expectation-maximization (EM) method as the training algorithm for a PNN. The idea relies on predefining a deterministic number of clusters as the input data set. A global k–means algorithm is used as the solution. Kusy and Kluska (2013, 2017) present an application of k–means clustering and support vector machines to simplify the PNN’s architecture. The appropriately selected centroids and the support vectors are chosen to construct the pattern neurons for the network.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا