Ανάπτυξη online μεθόδου εκπαίδευσης νευρωνικών δικτύων ακτινικής συνάρτησης βάσης

Abstract

Με την άφιξη της πρόκλησης των Μεγάλων Δεδομένων (Big Data) οι απαιτήσεις επεξεργασίας διαρκώς αυξάνονται. Τα τεχνητά νευρωνικά δίκτυα RBF αποτελούν λύση σε πολλά προβλήματα που αφορούν στην επεξεργασία δεδομένων του πραγματικού κόσμου. Προβλήματα που έχουν μεταβαλλόμενη φύση και παρέχουν συνεχόμενη ροή δεδομένων, καθιστούν τις διαδικασίες μαζικής εκπαίδευσης ανεπαρκείς για τις απαιτήσεις τους. Για την αντιμετώπιση τέτοιου είδους προβλημάτων αναπτύχθηκε ένα πλήθος από διαδικασίες μηχανικής μάθησης, που έχουν την ικανότητα να εκπαιδεύουν σταδιακά με την άφιξη κάθε νέου δεδομένου, δημιουργώντας μοντέλα που είναι διαρκώς ενημερωμένα για την επικαιρότητα. Η ανάπτυξη νέων αλγορίθμων που θα μειώνουν το υπολογιστικό κόστος, είναι πολύ σημαντική για προβλήματα με απαιτήσεις σε πραγματικό χρόνο. Στα πλαίσια της συγκεκριμένης πτυχιακής εργασίας δημιουργήθηκε μία νέα διαδικασία μάθησης με αφορμή τα μειονεκτήματα που χαρακτηρίζουν τις υπάρχουσες διαδικασίες. Η νέα διαδικασία που δημιουργήθηκε με το όνομα FM-RLS, συνδυάζει πλεονεκτήματα από γνωστές διαδικασίες μάθησης χωρίς να διατηρεί τα μειονεκτήματα τους. Ο αλγόριθμος FM-RLS χωρίζει τη διαδικασία μάθησης σε δύο στάδια. Στο πρώτο στάδιο o αλγόριθμος ασαφών μέσων αναλαμβάνει την εύρεση των κέντρων, ενώ στο δεύτερο στάδιο ο αλγόριθμος αναδρομικών ελαχίστων τετραγώνων αναβαθμίζει τα συνάπτικα βάρη του δικτύου. Η νέα διαδικασία προσφέρει τη δυνατότητα αναπροσαρμογής της κρυφής στοιβάδας μέσω της πρόσθεσης και αφαίρεσης νευρώνων, ενώ ταυτόχρονα παρέχει τεχνικές αναπροσαρμογής των διαστάσεων των απαιτούμενων πινάκων για να μπορεί να εκπαιδεύει τα βάρη σταδιακά με τη διαδικασία αναδρομικών ελαχίστων τετραγώνων. Η σύγκριση της προτεινόμενης διαδικασίας με άλλους αλγόριθμους σε ένα πλήθος από προβλήματα κατηγοριοποίησης με μεταβαλλόμενη φύση, δείχνει την υπεροχή της σε θέματα απόδοσης, ταχύτητας και δυνατότητας γενίκευσης.