Træning af kunstige neurale netværk til mønstergenkendelse - en sammenligning af Genetic Algorithms og Backpropagation: Training of Artificial Neural Networks as Pattern Recognisers - A comparison of Genetic Algorithms and Backpropagation

Henrik M. Jensen, Martin R. Sørensen, Anne-Marie Holst & Nader R. Diemer

Studenteropgave: Semesterprojekt

Abstrakt

Rapporten sammenligne, effektivitet, nøjagtigheden og hastighed af to algoritmer, Genetic Algorithms (GA) og Backpropagation (BP), til træningen af kunstige neurale netværk af typen feedforward. Rapporten tager udgangspunkt i en simpel problemstilling omhandlende genkendelse af rektangler, og skitserer hvordan denne problemstilling kan løses med et neuralt netværk og passende træningsalgoritme. Efterfølgende redegøres for træningsalgoritmerne, funktion og implementering samt de forhold der eksisterer i den eksperimentelle opstilling. Rapporten konkluderer at begge algoritmer er i stand til at løse opgaven, dog med varierende succes. Det konkluderes at GA er den mere effektive algoritme, i den forstand at den behøver langt færre træningseksempler end BP for at opnå en acceptabel fejlrate. Samtidig konkluderes at BP er mere nøjagtig end GA, i den anvendte implementering. Hastighedsmæssigt er BP den mest fordelagtige de to algoritmer. Anvendeligheden af de to algoritmer vurderes, på baggrund af denne rapport, afhængig af genkendelsesopgaven for netværket. BP har størst anvendelighed i forbindelse med opgaver, hvor der findes en "optimal" løsning. GA vurderes at have en fordel i forbindelse med opgaver, som involverer "slørede" eller små træningsdatasæt og hvor der ikke søges efter en optimal løsning, men en der er tilstrækkelig god.

UddannelserBasis - Naturvidenskabelig Bacheloruddannelse, (Bachelor uddannelse) Basis
SprogDansk
Udgivelsesdato1 jun. 2005
VejledereMorten Rhiger

Emneord

  • Backpropagation
  • Artificial Neural Networks
  • Genetic Learning
  • Genetic Algorithms