در اين مقاله روشي كار آمد براي آموزش شبكه هاي عصبي RBF به كمك الگوريتم ژنتيك مطرح شده است. كارآمد ترين نوع آموزش اين شبكه ها استفاده از روش هاي تركيبي است. در كليه اين روش ها، يك بخش بدون نظارت وجود دارد كه از آن براي تنظيم پارامتر هاي طبقه RBF اين شبكه ها استفاده مي شود. در مواردي كه حجم داده هاي آموزش زياد است، معمولآ از روش هاي خوشه بندي براي كاهش داده هايي كه شبكه با آن ها مواجه است استفاده شود. در اين مقاله مي خواهيم از الگوريتم ژنتيك براي انتخاب بهينه مراكز توابع RBF در لايه پنهان شبكه، به كمك يك رهيافت معكوس استفاده نماييم. با توجه به اين نكته كه هم خوشه بندي و هم الگوريتم هاي تكاملي بر مبناي تكرار و صرف وقت هستند، لذا استفاده از الگوريتم ژنتيك در مورد زمان آموزش، تفاوت زيادي نمي كند؛ اما اگر بتوان خطاي تست شبكه را از اين طريق كاهش داد، كارايي آن بارز مي شود. در پايان، نتايج با روش هاي ديگر خوشه بندي همچون روش K-Means و خوشه بندي سلسله مراتبي بر مبناي فاصله اقليدسي مقايسه شده است. كاهش چشمگير خطاي تست شبكه حاكي از عملكرد مناسب اين شيوه آموزش است.
محمدصادق محمدي
دانشكده فني – دانشگاه گيلان
