Adapting and enhancing mussels wandering optimization algorithm for supervised training of neural networks
Membangunkan kaedah latihan yang cekap untuk Rangkaian Neural (NN) dalam mencapai kejituan yang tinggi adalah satu cabaran. Tambahan pula, latihan NN masih lagi memerlukan masa yang lama. Algoritma Pengoptimuman Perayauan Kupang (MWO) ialah satu algoritma pengoptimuman metaheuristik yang baru dan...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2015
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/35580/1/PhD_Thesis_Abusnaina_Adapting_and__Enhancing_MWO_Algorithm_for_Supervised_Trainnig_of_NN_%281%29.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Membangunkan kaedah latihan yang cekap untuk Rangkaian Neural (NN) dalam
mencapai kejituan yang tinggi adalah satu cabaran. Tambahan pula, latihan NN masih
lagi memerlukan masa yang lama. Algoritma Pengoptimuman Perayauan Kupang
(MWO) ialah satu algoritma pengoptimuman metaheuristik yang baru dan telah
diinspirasikan secara ekologi oleh tingkah laku pegerakan kupang. Objektif utama bagi
tesis ini adalah untuk mencapai prestasi yang terbaik dalam penumpuan masa latihan
dan ketepatan pengelasan untuk pengelasan corak dengan mengusulkan kaedah latihan
penyeliaan yang baru untuk Rangkaian Neural Buatan (ANN) yang berasaskan
penggunaan algoritma MWO. Mempertingkatkan prestasi, terutamanya dalam kejituan
pengelasan yang membawa kepada perkenalan versi MWO yang telah di adaptasi;
dikenali sebagai algoritma Peningkatan-MWO (E-MWO).
Developing efficient training method for Neural Networks (NN) in terms of high accuracy
is a challenge. In addition, training NN is still highly-time consuming. The Mussels
Wandering Optimization (MWO) is a recent metaheuristic optimization algorithm inspired
ecologically by mussels movement behavior. The major objective of this thesis is to
achieve better performance in terms of convergence training time and classification
accuracy for pattern classification by proposing new supervised training methods for
Artificial Neural Networks (ANN) based on the MWO algorithm. Increasing the
performance, especially in terms of classification accuracy led to an adapted version of the
MWO; known as Enhanced-MWO (E-MWO) algorithm.
|
|---|