| รายละเอียดวิทยานิพนธ์ | |
| ชื่อวิทยานิพนธ์ | หลักการเพิ่มอัตราการลู่เข้าและการวางนัยทั่วไปสำหรับโครงข่ายป้อนไปข้างหน้าชนิดเซลล์ประสาทคล้ายซิกมอยด์ PRINCIPLES OF CONVERGENT RATE AND GENERALIZATION ENHANCEMENT FORFEEDFORWARD SIGMOID-LIKE NETWORK |
| ชื่อนิสิต | คำรณ สุนัติ Khamron Sunat |
| ชื่ออาจารย์ที่ปรึกษา | ศ.ดร. ชิดชนก เหลือสินทรัพย์ Prof. Chidchanok Lursinsap, Ph.D. |
| ชื่อสถาบัน | จุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย Chulalongkorn University. Bangkok. (Thailand). Graduate School. |
| ระดับปริญญาและรายละเอียดสาขาวิชา | วิทยานิพนธ์ดุษฎีบัณฑิต. วิทยาศาสตร์ (วิทยาการคณนา) Ph.D. Science (Computational Science) |
| ปีที่จบการศึกษา | 2546 |
| บทคัดย่อ(ไทย) | วิทยานิพนธ์ฉบับนี้แสดงการสร้างตัวก่อกำเนิดพหุนามเป็นช่วง ชนิด พี-รีเคอร์ซีฟและอนุพันธ์เวลาที่ใช้คำนวณการป้อนไปข้างหน้าของโครงข่ายชนิดป้อนไปข้างหน้าหลายชั้นสามารถทำให้ลดลงได้โดยการใช้ฟังก์ชันที่เสนอเป็นฟังก์ชันกระตุ้น มีการนำเสนอการปรับแต่งสามอย่างคือ (1) ฟ้งก์ชันผิดพลาดที่ปรับแต่งแล้วถูกใช้เพื่อขจัดตัวประกอบอนุพันธ์ซิกมอยด์ของการปรับค่าใหม่ที่หน่วยข้อมูลออก (2) รูปแบบข้อมูลเข้าถูกทำให้เป็นบรรทัดฐาน เพื่อทำให้พิสัยพลศาสตร์ของข้อมูลเข้ามีความสมดุล (3) ฟังก์ชันลงโทษใหม่ถูกเพิ่มให้แก่ชั้นซ่อน เพื่อให้ได้กฏ ปฏิ-เฮบเบียน ซึ่งจะให้ข้อมูลแก่ชั้นซ่อนในขณะที่ฟังก์ชันกระตุ้นมีตัวประกอบอนุพันธ์ซิกมอยด์เป็นศูนย์ การปรับแต่งทั้งสามอย่าง ถูกใช้ผสมกับขั้นตอนวิธี เอสเออาร์พรอพ กระบวนการที่ถูกเสนอให้ผลลัพธ์ที่ดีมาก โดยไม่ต้องระมัดระวังการเลือกพารามิเตอร์สำหรับการสอนไม่ใช่เพียงขั้นตอนวิธีเท่านั้นแต่รูปร่างของฟังก์ชันกระตุ้นก็เช่นกันที่มีอิทธิพลอย่างมากต่อสมรรถนะการสอน |
| บทคัดย่อ(English) | This dissertation demonstrates how the p-recursive piecewisepolynomial (p-RPP) generators and their derivatives are constructed. Thefeedforward computational time of a multilayer feedforward network can bereduced by using these functions as the activation functions. Threemodifications of training algorithms are proposed. First, the modifiederror function is used so that the sigmoid prime factor for the updatingrule of the output units is eliminated. Second, the input patterns arenormalized in order to balance the dynamic range of the inputs. Third, anew penalty function is introduced to the hidden layer to get theanti-Hebbian rules providing information when the activation functions havezero sigmoid prime factor. The three modifications are combined with two versions of Rprop(Resilient propagation) algorithm. The proposed procedures achieved theexcellent results without the need for careful selection of the trainingparameters. Not only the algorithm but also the shape of the activationfunction has important influence on the training performance. |
| ภาษาที่ใช้เขียนวิทยานิพนธ์ | |
| จำนวนหน้าของวิทยานิพนธ์ | 82 P. |
| ISBN | 974-17-5120-6 |
| สถานที่จัดเก็บวิทยานิพนธ์ | |
| คำสำคัญ | FEEDFORWARD NETWORK, ANTI-HEBBIAN RULE, TRAINING ALGORITHM, ACTIVATIONFUNCTION, GENERALIZATION, SUCCESS RATE |
| วิทยานิพนธ์ที่เกี่ยวข้อง |
|
