Beschreibung
Künstliche neuronale Netze sind komplexe Netzwerke, die die Art und Weise nachahmen, wie menschliche rationale Neuronen Daten verarbeiten. Sie werden häufig für Vorhersagen, Clustering, Klassifizierung und Assoziation verwendet. Die Trainingsalgorithmen, die die Netzwerkgewichte bestimmen, sind fast der wichtigste Faktor, der die Leistung des neuronalen Netzwerks beeinflusst. In letzter Zeit werden mehrere metaheuristische und evolutionäre Algorithmen zur Optimierung der Gewichte neuronaler Netze eingesetzt, um eine höhere neuronale Leistung zu erzielen.Zur Lösung komplexer Berechnungsprobleme wurden viele meta-heuristische Optimierungsalgorithmen entwickelt. Eine Meta-Heuristik ist ein übergeordnetes Verfahren, das dazu dient, eine Heuristik zu entdecken, zu erstellen oder auszuwählen, die eine hinreichend gute Lösung für ein Optimierungsproblem bieten kann, insbesondere bei unvollständigen oder unvollkommenen Informationen oder begrenzter Berechnungskapazität. Meta-Heuristiken können begrenzte Annahmen über das zu lösende Optimierungsproblem machen und sind daher für eine Vielzahl von Problemen verwendbar. Viele Meta-Heuristiken implementieren eine Form der stochastischen Optimierung, so dass die gefundene Lösung von der Menge der erzeugten Zufallsvariablen abhängig ist.
Autorenporträt
O Dr. K. Thippeswamy, Professor, Informática e Engenharia, Universidade Tecnológica de Visvesvaraya, Mysuru, Karnataka, Índia, é o autor de muitos títulos, incluindo "Classificação de Dados Não Estruturados": Uncertainest Nearest Neighbor Decision Rule' & 'Information Retrieval System: Service Oriented Architecture (SoA)'. Ele trabalha na área de ANN & Data Mining há mais de 15 anos. Agora escreve em tempo integral sobre assuntos tão diversos como grandes dados e mineração de dados.
