บทคัดย่อผลงานวิจัย อาจารย์และบุคลากร มรภ.อุดรธานี

q-Gaussian activation function Circular Extreme Learning Machine for classification problems

ชื่อเรื่อง เครื่องจักรเรียนรู้เอ็กซ์ตรีมแบบวงกลมโดยใช้ฟังก์ชันกระตุ้นคิวเกาส์เชียนเพื่อแก้ปัญหาการการจัดหมวดหมู่ข้อมูล
ผู้วิจัย ศรุติ อัศวเรืองสุข
สาขาวิชา คอมพิวเตอร์ศึกษา
คณะ ครุศาสตร์
มหาวิทยาลัย มหาวิทยาลัยราชภัฏอุดรธานี
ปีการงบประมาณ 2559

 

บทคัดย่อ

เครื่องจักรเรียนรู้เอ็กซ์ตรีมแบบวงกลม (C-ELM) เป็นเครื่องจักรที่พัฒนามาจากเครื่องจักรเรียนรู้เอ็กซ์ตรีม (ELM) ซึ่งมีโครงสร้างเหมือน ELM แต่มีการทำงานเหมือนกับ Circular Back Propagation (CBP) ที่ทำให้ C-ELM นั้นสามารถที่จะกำหนดขอบเขตข้อมูลได้สองแบบคือแบบเส้นตรงและแบบวงกลม อย่างไรก็ตามฟังก์ชันกระตุ้นเป็นส่วนหนึ่งที่สำคัญในการกำหนดขอบเขตของข้อมูลด้วยเช่นกัน และยังส่งผลไปถึงความแม่นยำของเครื่องจักรอีกด้วย ฟังก์ชันกระตุ้นได้มีการพัฒนาอย่างต่อเนื่องและในงานวิจัยนี้ได้เสนอ ฟังก์ชันกระตุ้นคิวเกาส์เชียน โดยใช้สถิติของ Tsallis เป็นอีกตัวเลือกหนึ่งที่ทำให้ขอบเขตของข้อมูลมีความยืดหยุ่นจากการกำหนดรูปร่างของ เกาส์เชียน ซึ่งนำมาใช้เป็นฟังก์ชันกระตุ้นให้กับ C-ELM มีชื่อว่า เครื่องจักรเรียนรู้เอ็กซ์ตรีมแบบวงกลมโดยใช้ฟังก์ชันกระตุ้นคิวเกาส์เชียน q-Gaussian activation function Circular Extreme Learning Machine (QC-ELM) โดยการเพิ่มและปรับพารามิเตอร์ q (entropic index) ที่ช่วยเพิ่มความสามารถให้แก่ C-ELM ได้ทำการทดลองโดยนำ QC-ELM ไปเปรียบเทียบกับเครื่องจักรชนิดอื่นๆที่เป็นที่รู้จักโดยใช้ข้อมูลจาก UCI ซึ่งเป็นฐานข้อมูลที่ได้รับการเชื่อถือ จากผลการทดลองได้แสดงให้เห็นว่า QC-ELM นั้นมีประสิทธิภาพมากกว่าเครื่องจักรที่ได้นำมาเปรียบเทียบ

 

Research Project q-Gaussian activation function Circular Extreme Learning Machine for classification problems
Researcher Sarutte Atsawaraungsuk
Program Computer Education
Faculty Faculty of Education
University Udon Thani Rajabhat University
Fiscal Year 2016

 

ABSTRACT

Circular Extreme learning machine (C-ELM) is the one extended Extreme Learning Machine (ELM). It has the same structure as ELM and Circular Back Propagation (CBP) to make it can mapping both linear and circular decision boundaries. The activation function is the one main point to define the decided boundaries. Many activation functions have been proposed. This paper proposes q-Gaussian activation function based on Tsallis statistics that is the one choice to make flexibility decision boundaries with different Gaussian shapes in the Circular Extreme Learning Machine. It calls q-Gaussian activation function Circular Extreme Learning Machine (QC-ELM) that added and varied parameter q (the entropic index) to improve C-ELM’s performance. From experimental results of QC-ELM compared with many other methods tested on UCI datasets shows that the QC-ELM has better results in accuracy than many the compared classical methods.