شبکه هاي عصبی عمیق داراي کاربردهاي فراوانی در پردازش گفتار می باشند. در صورتی که این شبکه ها به صورت تصادفی مقدار دهی اولیه شوند به جواب درست همگرا نخواهند شد، چرا که داراي تعداد پارامترهاي فراوانی می باشند. روش هاي متعددي براي پیش تعلیم شبکه هاي عصبی عمیق مطرح شده است که باعث همگرا شدن شبکه می شوند. پیش تعلیم شبکه هاي عصبی می تواند هم بر مبناي شبکه باور عمیق و هم ماشین بولتزمان عمیق انجام گیرد. در این مقاله شبکه عصبی عمیق با روش پیش تعلیم جدیدي که بر مبناي ماشین بولتزمان عمیق می باشد، آموزش می بیند. در نهایت خروجی شبکه عصبی پس از پیش تعلیم توسط روش ارائه شده، براي طبقه بندي واج ها مورد استفاده قرار می گیرد. نتایج تجربی بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي کاربردهاي بازشناسی واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش ارائه شده بر مبناي ماشین بولتزمان عمیق به کاهش خطاي عمومی سیستم و افزایش کارائی آن کمک می کند و از طرفی باعث همگرائی سریع تر شبکه عصبی عمیق می شود.
مقاله روشی جدید براي پیش تعلیم شبکه عصبی بر مبناي ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، مشتمل بر 6 صفحه، به زبان فارسی، تایپ شده، به همراه تصاویر، دیاگرام، فرمول ها و روابط ریاضی با فرمت pdf، به ترتیب زیر گردآوری شده است:
- چکیده
- مقدمه
- شبکه هاي عمیق
- ماشین بولتزمان محدود (RBM)
- شبکه باور عمیق (DBN)
- ماشین بولتزمان عمیق (DBM)
- روش جدید به منظور پیش تعلیم شبکه عصبی
- ارزیابی
- مقایسه روش هاي مختلف پیش تعلیم
- مقایسه تاثیر مقادیر متفاوت ابر پارامتر آلفا
- نتیجه گیري
- مراجع
جهت دانلود رایگان مقاله روشی جدید براي پیش تعلیم شبکه عصبی بر مبناي ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، بر لینک زیر کلیک نمایید:
شبیه سازی سیستم خنک کننده ماشین در نرم افزار متلب
بررسي تجربي عملکرد فن در سيستم خنک کاري موتور يک خودرو با استفاده از جريان سنج سيم داغ
شبکه ,پیش ,عصبی ,بولتزمان ,تعلیم ,روش ,پیش تعلیم ,ماشین بولتزمان ,شبکه عصبی ,بولتزمان عمیق ,تعلیم شبکه ,مبناي ماشین بولتزمان
درباره این سایت