Please use this identifier to cite or link to this item: http://cuir.car.chula.ac.th/handle/123456789/15116
Title: การเรียนรู้แบบพร้อมกันที่ใช้เกณฑ์การเลือกหยุดในข่ายงานประสาทเทียม
Other Titles: Simultaneous learning with removal criteria in artificial neural networks
Authors: อัครชัย อรรถกุลเรขา
Advisors: ดาริชา สุธีวงศ์
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email: Daricha.S@Chula.ac.th
Subjects: นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)
Issue Date: 2550
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอวิธีการเรียนรู้ของข่ายงานประสาทเทียมแบบพร้อมกันที่ใช้เกณฑ์การเลือกหยุดในการพิจารณาข่ายงานที่มีแนวโน้มของผลลัพธ์ที่ไม่ดี ซึ่งวิธีการนี้สามารถช่วยลดโอกาสการเกิดปัญหาค่าต่ำสุดเฉพาะที่ได้ พร้อมทั้งใช้ทรัพยากรในการเรียนรู้ได้อย่างมีประสิทธิภาพ โดยตัวแปรเปรียบเทียบที่ใช้ประมาณค่าผิดพลาดในอนาคตที่พิจารณาประกอบด้วย ค่าผิดพลาดต่ำสุด ค่าผิดพลาดท้ายสุด ความชันของค่าผิดพลาด และค่าผิดพลาดผสม ในงานวิจัยนี้ได้พิจารณาวิธีการกำหนดความถี่ของการพิจารณาเลือกหยุด (จำนวนระหว่างการเลือกหยุด) สองรูปแบบด้วยกัน กล่าวคือ แบบจำนวนรอบคงที่ และแบบจำนวนรอบเปลี่ยนแปลงตามความชัน โดยจำนวนข่ายงานที่พิจารณาเลือกหยุดในแต่ละครั้งสามารถกำหนดให้เป็นแบบคงที่หรือแบบเพิ่มขึ้นตามจำนวนรอบการเรียนรู้ การทดลองนี้ได้ใช้ชุดข้อมูลในการฝึกอบรมจากกลุ่มปัญหา Proben1 ซึ่งเป็นที่นิยมใช้ในการทดสอบประสิทธิภาพของวิธีการทางปัญญาประดิษฐ์ โดยผลจากการทดลองได้แสดงการเปรียบเทียบประสิทธิภาพของวิธีการที่นำเสนอกับวิธีการปกติ และการวิเคราะห์ความไวได้เปรียบเทียบและชี้ให้เห็นแนวทางของการกำหนดค่าตัวแปรต่างๆ ให้มีความเหมาะสมสำหรับการใช้งานวิธีการนี้
Other Abstract: This research proposes a simultaneous training method with removal criteria to eliminate less promising neural networks. The algorithm helps decrease the probability of achieving a local minimum while efficiently utilizing resources. Comparative parameters proposed to estimate future error include: minimum error, last generation’s error, error slope and mixed error. This research also explores two approaches in determining frequency of network removal (the number of epochs between removals), namely fixed-length interval and dynamic-length interval depending on the error slope. The number of networks to be removed may be fixed or incrementally increasing. The experiments used the dataset obtained from Proben1, which is widely used as training datasets in examining artificial intelligence methods. The experimental results demonstrate the effectiveness and efficiency of the proposed method in comparison with the conventional method. Moreover, sensitivity analysis offers comparison and guidelines for suitable assignment of several parameter values in using this algorithm.
Description: วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2550
Degree Name: วิศวกรรมศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิศวกรรมคอมพิวเตอร์
URI: http://cuir.car.chula.ac.th/handle/123456789/15116
URI: http://doi.org/10.14457/CU.the.2007.793
metadata.dc.identifier.DOI: 10.14457/CU.the.2007.793
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
Akarachai_At.pdf1.06 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.