TY -的A2 Scarpiniti米歇尔AU - Baldominos,亚历杭德罗盟——以及来自Yago AU - Isasi,佩德罗PY - 2019 DA - 2019/03/26 TI -组合进化计算和深层神经网络:一个使用委员会和手写识别方法转移学习SP - 2952304六世- 2019 AB - Neuroevolution的研究领域是使用进化计算来优化神经网络的设计的某些方面,通常其拓扑和hyperparameters。现场介绍了1980年代末,但只有在最新一年该领域已经足够成熟来启用深度学习的优化模型,如卷积神经网络。在本文中,我们依靠以前的工作应用neuroevolution为了优化深层神经网络的拓扑结构,可用于解决手写字符识别的问题。此外,我们利用进化算法优化人口的候选解决方案,通过结合一组最好的进化模型导致卷积神经网络的一个委员会。这个过程是增强通过特定的机制来保持种群的多样性。此外,在本文中,我们解决neuroevolution的缺点之一:这个过程是非常昂贵的计算时间。为了减轻这个问题,我们将探讨拓扑传输性能的学习:是否使用获得的最佳拓扑neuroevolution某个域可以被成功地应用到不同的领域。通过这样做,可以重用neuroevolution的昂贵的过程来解决不同的问题,把它变成一个更有吸引力的方法优化神经网络拓扑结构的设计。评估我们的建议后,结果表明,使用neuroevolved委员会和拓扑传递的应用学习成功:委员会卷积神经网络能够提高分类结果与单一模型相比,可以重用和拓扑学到一个问题对于一个不同的问题和数据具有良好的性能。此外,这两种方法可以通过建设委员会转移拓扑相结合,和这种组合达到结果结合最好的两种方法。 SN - 1076-2787 UR - https://doi.org/10.1155/2019/2952304 DO - 10.1155/2019/2952304 JF - Complexity PB - Hindawi KW - ER -