Mind evolutionary computation (MEC)

Mind evolutionary computation (MEC) is a global algorithm whose architecture is specifically designed to confront the intrinsic flaws in genetic algorithm (GA). Mind evolutionary computation(MEC) simulates the process of human mind evolution, and come sup with “similar-taxis” and “dissimilation” to instead of “crossover”and “reproduction” in GA. Moreover, MEC designs billboards to record the evolutionary information that will in turn guide the evolution. Utilizing mind evolutionary computation (MEC) to search for the initial weights and thresholds of the BP neural net-work could guarantee a relatively high probability to obtain the global optima. Then the initial search by mind evolutionary computation is a preferred means to overcome the disadvantages of BP neural network. Although setting the initial weights and thresholds of the MEC-BP neural network randomly can avoid getting local optimal and increase the probability to find the neural network, the randomness will result in the results may be not unique even based on the same training samples. Adaboost algorithm is included in MEC-BP neural network, and constructs weak predictors of MEC-BP neural network and trains the sample training data repeatedly to form a new strong predictor. Finally, we further reduce the possibility of our algorithm getting into local minimum and improve the generalization ability. Hence we propose the MEC-BP-Adaboost algorithm.

ผลลัพธ์ (ไทย) 1:

คิดคำนวณเชิงวิวัฒนาการ (MEC) เป็นอัลกอริทึมโลกสถาปัตยกรรมถูกออกแบบมาเพื่อเผชิญหน้าข้อบกพร่อง intrinsic ในอัลกอริทึมทางพันธุกรรม (GA) จิตวิวัฒนาการ computation(MEC) จำลองกระบวนการวิวัฒนาการของจิตใจมนุษย์ และมาทรัพย์ "คล้ายแท็กซี่" และ "dissimilation" กับ "ไขว้" และ "ทำ" ใน GA. แทน นอกจากนี้ MEC ออกแบบป้ายโฆษณาบันทึกข้อมูลวิวัฒนาการที่จะแนะนำในวิวัฒนาการ ใช้คิดคำนวณเชิงวิวัฒนาการ (MEC) เพื่อค้นหาเริ่มต้นน้ำหนัก และขีดจำกัดของ BP ประสาทสุทธิงานสามารถรับประกันความน่าเป็นค่อนข้างสูงสามารถพติสากล แล้วค้นหาเริ่มต้น โดยการคำนวณเชิงวิวัฒนาการของจิตใจเป็นวิธีการที่จะเอาชนะข้อเสียของโครงข่ายประสาท BP แม้ว่าการตั้งค่าเริ่มต้นน้ำหนักและขีดจำกัดของ BP MEC ที่เครือข่ายประสาทแบบสุ่มสามารถหลีกเลี่ยงท้องถิ่น เหมาะสมที่สุดและเพิ่มความเป็นไปได้ในการค้นหาเครือข่ายประสาท randomness ที่จะส่งผลให้ผลได้ไม่เฉพาะตามตัวอย่างฝึกกันได้ อัลกอริทึม Adaboost และอยู่ในเครือข่ายประสาท MEC BP สร้าง predictors อ่อนแอของโครงข่ายประสาท MEC BP และรถไฟข้อมูลการฝึกอบรมอย่างซ้ำ ๆ เพื่อผู้ทายผลแข็งแรงใหม่ สุดท้าย เราเพิ่มเติมลดของอัลกอริทึมของการเข้าท้องน้อย และปรับปรุงความสามารถในการ generalization ดังนั้น เราเสนออัลกอริทึม MEC-BP-Adaboost

ผลลัพธ์ (ไทย) 2:

ใจคำนวณวิวัฒนาการ (MEC) เป็นอัลกอริทึมของโลกที่มีสถาปัตยกรรมการออกแบบเป็นพิเศษที่จะเผชิญหน้ากับข้อบกพร่องที่แท้จริงในขั้นตอนวิธีพันธุกรรม (GA) ใจคำนวณวิวัฒนาการ (MEC) จำลองกระบวนการวิวัฒนาการจิตใจมนุษย์และมาจีบด้วย "รถแท็กซี่คล้ายกัน" และ "dissimilation" เพื่อแทน "ครอสโอเวอร์" และ "การทำสำเนา" ในจอร์เจีย นอกจากนี้ MEC ออกแบบป้ายโฆษณาที่จะบันทึกข้อมูลวิวัฒนาการที่จะเปิดให้คำแนะนำวิวัฒนาการ การใช้ความคิดการคำนวณวิวัฒนาการ (MEC) เพื่อค้นหาน้ำหนักเริ่มต้นและเกณฑ์ของความดันโลหิตระบบประสาททำงานสุทธิสามารถรับประกันความน่าจะเป็นที่ค่อนข้างสูงที่จะได้รับที่ดีที่สุดของทั่วโลก แล้วค้นหาเริ่มต้นจากใจคำนวณวิวัฒนาการเป็นวิธีที่ต้องการที่จะเอาชนะข้อเสียของเครือข่ายประสาทความดันโลหิต แม้ว่าการตั้งค่าน้ำหนักเริ่มต้นและเกณฑ์ของเครือข่ายประสาท MEC-BP สุ่มสามารถหลีกเลี่ยงการเดินทางที่ดีที่สุดในประเทศและเพิ่มโอกาสในการหาเครือข่ายประสาท, สุ่มจะส่งผลให้ผลลัพธ์ที่ได้อาจจะไม่ซ้ำกันแม้กระทั่งตามตัวอย่างการฝึกอบรมเดียวกัน ขั้นตอนวิธี Adaboost จะรวมอยู่ใน MEC-BP เครือข่ายประสาทและสร้างพยากรณ์ที่อ่อนแอของ MEC-BP เครือข่ายประสาทและรถไฟข้อมูลการฝึกอบรมตัวอย่างซ้ำในรูปแบบใหม่ที่แข็งแกร่งทำนาย สุดท้ายเราลดความเป็นไปได้ของอัลกอริทึมของเราได้รับในขั้นต่ำท้องถิ่นและปรับปรุงความสามารถในลักษณะทั่วไป ดังนั้นเราได้นำเสนอขั้นตอนวิธี MEC-BP-Adaboost

ผลลัพธ์ (ไทย) 3:

จิตใจวิวัฒนาการการคำนวณ ( MEC ) เป็นขั้นตอนวิธีระดับโลกที่มีสถาปัตยกรรมได้รับการออกแบบมาโดยเฉพาะเพื่อเผชิญหน้ากับข้อบกพร่องที่แท้จริงในขั้นตอนวิธีเชิงพันธุกรรม ( GA ) จิตใจวิวัฒนาการการคำนวณ ( MEC ) เลียนแบบกระบวนการของวิวัฒนาการมนุษย์ และมาจีบด้วย " แท็กซี่ " คล้ายๆ " ดิสซิไมเลชั่น " แทน " ครอสโอเวอร์ " และ " การสืบพันธุ์ " ในโรงงาน นอกจากนี้MEC ออกแบบป้ายบันทึกวิวัฒนาการข้อมูลจะเปิดคู่มือการวิวัฒนาการ การใช้ความคิดเชิงวิวัฒนาการการคำนวณ ( MEC ) เพื่อค้นหาน้ำหนักเริ่มต้นและเกณฑ์ของ BP ประสาทสุทธิสามารถรับประกันความน่าจะเป็นค่อนข้างสูงเพื่อให้ได้ Optima ทั่วโลกแล้วเริ่มต้นค้นหาจากจิตใจวิวัฒนาการการคำนวณเป็นที่ต้องการ หมายถึง การเอาชนะข้อเสียของ BP ประสาทเครือข่าย แม้ว่าการตั้งค่าน้ำหนักเริ่มต้นและเกณฑ์ของ mec-bp เครือข่ายประสาทแบบสุ่มสามารถหลีกเลี่ยงการท้องถิ่นที่เหมาะสม และเพิ่มโอกาสที่จะพบเครือข่ายระบบประสาท ,การสุ่ม จะมีผลในผลลัพธ์อาจจะไม่เฉพาะจะขึ้นอยู่กับตัวอย่างการฝึกอบรมเดียวกัน ขั้นตอนวิธี adaboost รวมอยู่ใน mec-bp โครงข่ายประสาทเทียม และโครงสร้างที่อ่อนแอ ทำนาย mec-bp โครงข่ายประสาทเทียมและรถไฟตัวอย่างการฝึกอบรมข้อมูลซ้ำๆ ในรูปแบบตัวแรงใหม่ ในที่สุดเราลดความเป็นไปได้ของขั้นตอนวิธีของเราได้รับในขั้นการท้องถิ่นและปรับปรุงความสามารถ ดังนั้นเราจึงเสนอ MEC BP adaboost ขั้นตอนวิธี