NAU Harvester System
Система оптимізації гібридної нейронної мережі на основі мурашиного алгоритму
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Система оптимізації гібридної нейронної мережі на основі мурашиного алгоритму
HYBRID NEURAL NETWORK OPTIMIZATION SYSTEM BASED ON ANT ALGORITHMS Система оптимизации гибридной нейронной сети на основе муравьиного алгоритма |
|
| Creator |
Sineglazov, V. M.; Національний авіаційний університет, Київ
Chumachenko, O. I.; Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського» Omelchenko, D. M.; Національний авіаційний університет, Київ |
|
| Subject |
Багатокритеріальна оптимізація; мурашиний алгоритм; нейронна мережа; Парето-оптимальність
УДК 004.032.26(045) Multi-criteria optimization; ant algorithm; neural network; Pareto-optimality UDC 004.032.26(045) Многокритериальная оптимизация; муравьиный алгоритм; нейронная сеть; Парето-оптимальность УДК 004.032.26(045) |
|
| Description |
Запропоновано багатокритеріальний мурашиний алгоритм для навчання нейронних мереж прямого поширення. Використовується два критерії: помилка узагальнення і складність. Представлено огляд методів навчання нейронної мережі з використанням ройових алгоритмів. В результаті навчання визначається структура нейронної мережі (кількість шарів і нейронів у ній) та значення вагових коефіцієнтів і зсувів. Модифікація відомих алгоритмів полягає у використанні концепції оптимальності за Парето. Проведено дослідження запропонованого алгоритму на прикладі багатошарового персептрона для розв’язання задачі апроксимації.
The ant multi-criteria algorithm for feed forward neural networks training is proposed. It is used two criteria: the error of generalization and complexity. It is represented a review of neural network learning using swarm algorithms. As a result of training it is determined a structure of neural network (a number of layers and neurons in then) and the values of weight coefficients and biases. Modification of well-known algorithms consists in using the concept of Pareto optimality. It is done the research of proposed algorithm on the example of multilayer perceptron for the approximation problem solution. Предложен многокритериальный муравьиный алгоритм для обучения нейронных сетей прямого распространения. Используется два критерия: ошибка обобщения и сложность. Представлен обзор методов обучения нейронной сети с использованием роевых алгоритмов. В результате обучения определяется структура нейронной сети (количество слоев и нейронов в ней) и значения весовых коэффициентов и смещений. Модификация известных алгоритмов заключается в использовании концепции оптимальности по Парето. Проведено исследование предложенного алгоритма на примере многослойного персептрона для решения задачи аппроксимации. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2020-07-22
|
|
| Type |
—
— |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/14857
10.18372/1990-5548.64.14857 |
|
| Source |
Electronics and Control Systems; Том 2, № 64 (2020); 61-67
Электроника и системы управления; Том 2, № 64 (2020); 61-67 Електроніка та системи управління; Том 2, № 64 (2020); 61-67 |
|
| Language |
en
|
|
| Rights |
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
|
|