ارزيابي عملكرد الگوريتم هاي تكاملي در افزايش سرعت يادگيري و دقت پيش بيني دسته بند شبكه عصبي در داده كاوي

يكي از ابزار هاي قدرتمند براي دسته بندي داده ها در داده كاوي شبكه هاي عصبي مصنوعي مي باشند. شبكه هاي عصبي به دليل قابليت يادگيري، مقاوم پذيري و قابليت تعميم، كاربرد گسترده اي در حيطه يادگيري ماشين دارند. تنظيم وزن هاي بين نرون هاي لايه هاي مختلف شبكه عصبي به عنوان آموزش شبكه عصبي شناخته مي شود و مبحث يادگيري يكي از مهمترين مباحث در شبكه عصبي است. فرايند يادگيري شبكه هاي عصبي مبتني بر گراديان اغلب در بهينه محلي مي افتد. از آن جايي كه تنظيم وزن ها و ساختارشبكه عصبي ازاهميت فراواني برخوردار مي باشد، شبكه هاي عصبي تكاملي پديد آمدند و الگوريتم هاي تكاملي براي اين امر به كارگرفته شدند. در اين پژوهش براي انجام فرآيند دسته بندي داده ها از شبكه عصبي پرسپترون چند لايه و براي تعيين وزن هاي آن از الگوريتم هاي تكاملي استفاده شده است. اين پژوهش به طور خاص بر روي الگوريتم تكاملي توليد مثل غير جنسي متمركز شده است. تفاوت الگوريتم پيشنهادي با الگوريتم پايه توليد مثل غيرجنسي استفاده از نمايش حقيقي براي وزن هاي شبكه عصبي (به جاي نمايش دودويي) و تعريف عملگرهاي تغيير متناسب با اين نمايش است. علاوه بر ارزيابي اين دو نسخه الگوريتم توليد مثل غير جنسي در اين تحقيق، سه الگوريتم تكاملي ديگر شامل ژنتيك، ازدحام ذرات و الگوريتم انجماد تدريجي با هدف آموزش شبكه عصبي مورد بررسي و ارزيابي قرار مي گيرد. نتايج آزمايشات نشان مي دهند كه الگوريتم بهينه سازي توليد مثل غيرجنسي با نمايش حقيقي به دليل سرعت همگرايي بالاي آن، براي آموزش شبكه هاي عصبي مصنوعي به خصوص در مسائل بلادرنگ با محدوديت زماني و نيز در دسته بندي داده هاي با حجم بالا نسبت به ساير الگوريتم هاي تكاملي مورد مقايسه بسيار مناسب به نظر مي رسد. همچنين نتايج بيانگر اين است كه دسته بند شبكه عصبي نسبت به تنوع داده ها پس از آموزش توسط الگوريتم توليد مثل غيرجنسي پيشنهادي از دقت قابل قبولي برخوردار است