پديد آورنده :
گلستانه، پگاه
عنوان :
مدل موجك فازي - ماشين يادگيري حداكثر
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
هشت، 80ص.: مصور
استاد راهنما :
مريم ذكري، فريد شيخ الاسلام
توصيفگر ها :
منطق فازي , الگوريتم ELM , شبكه هاي تك لايه پيش رو
استاد داور :
ناصر قديري، مهران صفاياني
تاريخ ورود اطلاعات :
1394/12/01
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
چكيده امروزه تكنيكهاي محاسبات نرم مانند مدلهاي فازي شبكههاي نرو فازي شبكههاي عصبي پيشرو شبكههاي موجك و غيره در بسياري از علوم مانند رياضي فيزيك مهندسي و غيره كاربرد دارند از تركيب شبكههاي پيشرو با مدلهاي فازي و شبكه موجك شبكههاي موجك فازي حاصل ميشوند اين شبكهها از پركاربردترين و مهمترين ابزارهاي محاسبات نرم بهشمار ميروند كه در سالهاي اخير مورد توجه محققين بسياري قرار گرفتهاند در شبكههاي موجك فازي نگاشتهاي ورودي خروجي بهوسيله نسخههاي انتقال و بسط يافته يك موجك مادر ارائه ميشوند در شبكههاي موجك فازي قسمت موخر هر قانون فازي از تركيب خطي تعداد متناهي توابع موجك تشكيل شده است توانايي شبكههاي موجك فازي در بهبود صحت تقريب زني و درجه درستي و همچنين كاهش پيچيدگي محاسباتي و افزايش سرعت همگرايي انگيزه ارائه مدل موجك فازي پيشنهادي در اين تحقيق شد يكي از تاثيرگذارترين فاكتورها در تعيين توانايي شبكههاي عصبي شيوه آموزش و يادگيري است تاكنون الگوريتمهاي مختلفي جهت آموزش شبكههاي عصبي ارائه شدهاند يكي از پركاربردترين و محبوبترين الگوريتمهاي آموزش الگوريتم پس انتشار خطا است اين الگوريتم عليرغم درجه درستي باال مشكالتي دارد از جمله آنها ميتوان به پايين بودن سرعت همگرايي گرفتار شدن در بهينه محلي بهروز رساني مكرر پارامترهاي شبكه اشاره كرد تاكنون روشهاي متعددي جهت بهبود الگوريتمهاي آموزش ارائه شده است اما كليه اين الگوريتمها مبتني بر روشهاي تكرار پذير و بهروز رساني مكرر پارامترها هستند الگوريتم ماشين يادگيري حداكثر Extreme Learning Machine يك الگوريتم براي آموزش شبكههاي پيشرو تك اليه Single hidden Layer Feedforward Network است اين الگوريتم برخالف ساير الگوريتم هاي آموزش پيشين تك مرحلهاي است از همين رو در اين تحقيق براي غلبه بر مشكالت فوق مدل موجك فازي ماشين يادگيري حداكثر Fuzzy wavelet ELM پيشنهاد ميشود مدل موجك فازي ارائه شده در اين تحقيق مبتني بر سيستم استنتاج فازي تاكاگي سوگنو خاصيت آناليز چند گانه تئوري موجك و الگوريتم ELM است هدف از اين تحقيق ارائه مدلي است كه نهتنها از لحاظ درجه درستي رضايت بخش باشد بلكه در قالب يك ساختار ساده موجب كاهش زمان اجرا و رفع دشواريهاي مقدار دهي اوليه به پارامترها و بروز رساني مكرر پارامترها شود در اين تحقيق ابتدا معادل بودن يك SLFN با يك ساختار موجك فازي اثبات ميشود سپس جهت آموزش اين ساختار از الگوريتم ELM استفاده ميشود مدل ارائه شده fuzzy wavelet ELM عالوه بر بهرهمندي از ويژگيهاي شبكههاي موجك فازي بهدليل استفاده از الگوريتم ELM داراي درجه درستي و سرعت همگرايي بااليي است در مدل ارائه شده FW ELM با هدف برقراري تعادل بين پارامترهاي يادگيري خطي و درجه درستي در تركيب خطي به ازاي هر دو ورودي يك ضريب در نظر گرفته ميشود كه اين امر موجب كاهش تعداد پارامترهاي يادگيري خطي وكاهش پيچيدگي محاسباتي ميشود پارامترهاي غير خطي شبكه كه شامل پارامترهاي توابع موجك و توابع عضويت فازي ميشوند بهصورت تصادفي مقدار دهي اوليه ميشوند و پارامترهاي خطي شبكه كه در واقع همان ضرايب تركيب خطي هستند از طريق روش ساده حداقل مربعات بهصورت تحليلي در طي يك مرحله محاسبه ميشوند اين الگوريتم با چندين الگوريتمهاي مشهور فازي و موجك فازي براي كاربردهاي تقريب و كالسبندي دادههاي معيار شناسايي سيستمهاي غيرخطي پيشبيني سريهاي زماني و همچنين تقريب توابع مقايسه شده است نتايج نشان ميدهد كه درجه درستي اين الگوريتم به خوبي الگوريتم OS Fuzzy ELM و بهتر از ساير الگوريتمها است در حاليكه در مقايسه با الگوريتم OS Fuzzy ELM تعداد پارامترهاي يادگيري خطي تقريبا نصف شده است و همچنين حساسيت به تصادفي بودن مقادير در آن به شدت كاهش يافته است واژگان كليدي منطق فازي شبكههاي موجك فازي الگوريتم ELM شبكههاي تك اليه پيشرو
چكيده انگليسي :
Fuzzy wavelet extreme learning machine model Pegah Golestaneh p golestaneh@ec iut ac ir January 4 2016 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 IranDegree M Sc Language FarsiSupervisor mzekri@cc iut ac ir sheikh@cc ac irAbstractIn recent years soft computing paradigms neuro fuzzy feedforward neural network FFNN fuzzy models wavelet networks WN etc have been used in a large variety of science such as physics mathematics engineering and etc by combination of fuzzy logic neural network and wavelet theory fuzzy wavelet neuralnetwork FWNN is constructed These networks are one of the important and popular paradigms of softcomputing have been used in many researches In FWNN input output mapping is provided by dilations andtranslations of a mother wavelet The consequent part of each fuzzy rules is a linear combination of finite waveletfunctions In this research ability of FWNN to improve the performance accuracy and increasing the speed ofconvergence have made the motivation of designing the proposed FW model Generally learning method is oneof the most important factor in determining the ability of neural networks Many different learning algorithmshave been proposed for training FWNNs Back propagation BP is the most frequently used learning algorithms Although high performance accuracy of BP learning algorithm it has some bottlenecks included slowconvergence presence of local minima over trained updating parameters iteratively Many different researcheshave been conducted to improve learning methods but all these methods are iterative based and need to updateparameters Extreme learning machine ELM is a learning method for single hidden layer feed forward neuralnetwork SLFN Unlike to traditional classic gradient based learning algorithms such as BP ELM is a one passlearning method Therefore in this study to overcome the mentioned problems an FW model based on ELMlearning algorithm is proposed The proposed FW ELM model is based on TSK inference system multi resolutionof wavelet theory and ELM learning algorithm In this study first equivalence of an SLFN with an FW structureis proved then in order to train this structure ELM learning method is applied to it In the FW ELM modeladdition to unique properties of FWNNs by using ELM high speed of convergence and performance accuracy isalso obtained In FW ELM model by the aim of balance between linear learning parameters and performanceaccuracy in the linear combination of the consequent part of rules for each two inputs one coefficient isconsidered This reduces the number of linear learning parameters and computational complexity of the network In the proposed model nonlinear parameters included fuzzy membership function parameters and waveletfunction coefficients initialized randomly and the linear learning parameters analytically determined through asimple generalized inverse solution in a one pass step To evaluate the FW ELM it is compared with some popularfuzzy models like OS Fuzzy ELM Simpl eTS ANFIS and also algorithms like ELM BP SVR in the largevariety of fields on benchmark datasets The performance accuracy of FW ELM is comparable with OS Fuzzy ELM and better than the other mentioned algorithms The simulation results demonstrate the remarkableefficiency of the proposed approach for regression and classification real world benchmark datasets identificationof nonlinear systems prediction of time series and also function approximation The proposed model can improvecomplexity of network and also decrease the sensitivity to parameter randomness Keywords Fuzzy logic Fuzzy wavelet neural network Extreme Learning Machine algorithm Single hidden Layer Feedforward Neural network
استاد راهنما :
مريم ذكري، فريد شيخ الاسلام
استاد داور :
ناصر قديري، مهران صفاياني
