13436

13436

بهبود عملكرد ماشين بولتزمن با استفاده از تئوري آشوب و نظريه ميدان متوسط

كارشناسي ارشد

كامپيوتر- هوش مصنوعي

بهار 1393

بهار 1393

دكتر محمدرضا جاهد مطلق - دكتر ناصر مزيني

چكيده ماشين بولتزمن يكي از شبكه‌هاي عصبي پركاربرد در شبيه‌سازي رفتار داده ورودي و كشف روابط رياضي (همبستگي) بين داده ورودي و خروجي است. اين شبكه‌عصبي با مشكل بزرگ كندي سرعت مواجه بوده است. در همين راستا در طول ساليان ارائه ماشين بولتزمن و ارائه راه‌كارهايي نظير نمونه‌گيري گيبس و يا تركيب ماشين بولتزمن با تئوري ميدان متوسط، هرچند سرعت اين ماشين افزايش يافته است اما همچنان سرعت همگرايي آن در مقايسه با ديگر شبكه‌هاي عصبي نظير شبكه‌هاي ديگر هاپفيلد بسيار كند است. تئوري ميدان متوسط به‌دليل توانايي تخمين دقيق‌تر رفتار واحدهاي ماشين بولتزمن، عمليات فاز آموزش را بيشتر به تئوري رفتاري آن‌هانزديك كرده و با محاسبه انرژي واقعي هر واحد در بازه -1 و 1 مي‌تواند ميانگين رفتار واحدها را در راستاي توليد بردار وزن بهينه‌تر و كاهش خطاي آموزش محاسبه كتد. سيستم‌هاي آشوب‌گونه به‌واسطه، حساس بودن به‌شرايط اوليه، وجود ناپايداري محلي و پايداري سراسري از ويژگي جست‌وجوي سراسري بهتر نسبت‌ به سيستم‌هاي معادل غيرآشوب‌گونه برخوردارند. ويژگي جست‌وجوي سراسري بهتر باهدف امكان فرار كردن ماشين بولتزمن از كمينه‌هاي محلي در فراگيري بردار وزن به ماشين بولتزمن افزوده شده است. مشكل ماشين بولتزمن آشوب‌گونه براساس ماشين بولتزمن ميدان متوسط به‌عنوان طرح پيشنهادي به منظور فائق آمدن برمشكل كندي سرعت و به‌منظور افزايش دقت آن ارائه شده است. آزمايش‌هاي صورت‌ گرفتهافزايش بيش از 50% در سرعت همگرايي ماشين بولتزمن آشوب‌گونه را نشان مي‌دهند. ديگر آزمايش‌ها توانايي روش پيشنهادي با مدل‌هاي مختلف ماشين بولتزمن را بررسي و نمايش داده‌اند. كليد واژه:ماشين بولتزمن، تئوري ميدان متوسط، شبكه‌هاي عصبي مصنوعي، تئوري آشوب.