‫هعواری تْیٌِ ضثکِ عصثی ‪ MLP‬در طثقِتٌذی دادُّا تا‬

‫رٍش ‪HS‬‬
‫ػاسا هؼتقیوی‪ ،‬ػیّذ حویذ ظْیشی‬

‫داًـگاُ تیشخٌذ‪sara_mostaghimi@yahoo.com ،‬‬

‫داًـگاُ تیشخٌذ‪hzahiri@birjand.ac.ir ،‬‬

‫هیکٌذ‪ ،‬تغییش کشدُ ٍ ّش چِ هیضاى ایي اطالػات تیـتش ؿَد‪ ،‬ؿثکِ‬ ‫چکیذُ ‪ -‬کارترد رٍز افسٍى ضثکِّای عصثی ‪ MLP‬در حلّ هسائل هٌْذسی ٍ‬

‫خطای خَد سا تیـتش کاّؾ هیدّذ ]‪.[7‬‬ ‫سیستنّای َّضوٌذ سثة گرایص هحقّقیي تِ سوت اتذاع رٍشّای آهَزش ٍ‬

‫یکی اص هشػَمتشیي اًَاع ؿثکِّای ػلثی‪ ،‬ؿثکِ ػلثی پشػپتشٍى‬ ‫هعواری کارآهذتر آىّا ضذُ است‪ .‬تیطتر تحقیقات تا کٌَى در زهیٌِ آهَزش‬
‫ضثکِ عصثی اًجام گرفتِ است‪ .‬در ایي هقالِ ترآًین کِ تا استفادُ از الگَریتن‬
‫چٌذ الیِ‪ (MLP) 4‬اػت کِ تِ طَس هَفقیتآهیضی دس تاصُ ٍػیؼی اص‬
‫تکاهلی جستٍجَی ّواٌّگی )‪ ،(HS‬هعواری تْیٌِای را جْت طثقِ‌تٌذی دادُّا‬
‫کاستشدّا اص خولِ طثقِتٌذی دادُ هَسد اػتفادُ قشاس گشفتِ اػت‪ٌّ .‬گام کاس‬
‫ارائِ ًوایین‪ .‬هعواری ضثکِ عصثی ضاهل تعذاد الیِّای هخفی‪ ،‬تعذاد ًرٍىّا ٍ‬
‫تا ؿثکِ ػلثی ‪ MLP‬تا دٍ هؼألِ سٍتشٍ ّؼتین‪ :‬اًتخاب هؼواسی‬
‫ًَع تَاتع تحریک در ّر الیِ هی‌تاضذ‪ .‬در ایي هقالِ جْت آهَزش ضثکِ عصثی‬
‫هٌاػة ٍ اًتخاب الگَسیتن آهَصؿی هٌاػة‪ .‬هؼواسی هٌاػة تِ هؼٌی‬
‫از رٍش پساًتطار خطا استفادُ ضذُ است‪ً .‬تایج ًطاى هی‌دّذ کِ الگَریتن‬
‫اًتخاب تْیٌِ تؼذاد الیِّا‪ ،‬تؼذاد ًشٍىّا دس ّش الیِ ٍ ًَع تاتغ تحشیک‬
‫استفادُ ضذُ در ّر تار تکرار‪ً ،‬تایج قاتل قثَلی را تِ دست هی‌دّذ‪.‬‬
‫ّش ًشٍى هیتاؿذ کِ هؼواسی تْیٌِ ؿثکِّای ػلثی هثتٌی تش هدوَػِ‬
‫دادُّا ٍ ٍیظگیّای آىّاػت‪ .‬هتذاٍلتشیي الگَسیتن آهَصؿی ایي‬ ‫کلیذ ٍاشُ – الگَریتن تکاهلی جستٍجَی ّواٌّگی‪ ،‬ضثکِ عصثی چٌذ الیِ‪،‬‬
‫ؿثکِّا‪ ،‬الگَسیتن پغاًتـاس خطا‪ 5‬هیتاؿذ‪ .‬دس ایي الگَسیتن‪ ،‬دس ّش هشحلِ‬ ‫طثقِتٌذی دادُ‪ ،‬هعواری ضثکِ عصثی‬

‫هقذاس خشٍخی هحاػثِ ؿذُ خذیذ تا هقذاس ٍاقؼی‪ ،‬هقایؼِ ؿذُ ٍ تا تَخِ‬
‫تِ خطای تِدػت آهذُ‪ ،‬تِ اكالح ٍصىّای ؿثکِ پشداختِ هیؿَد؛ تِ‬
‫ًحَی کِ دس اًتْای ّش تکشاس‪ ،‬اًذاصُ خطای حاكل ؿذُ کوتش اص هیضاى تِ‬
‫دػت آهذُ دس تکشاس قثلی تاؿذ‪ .‬اػاع ایي کویٌِػاصی‪ ،‬حشکت تش سٍی‬
‫تشداس گشادیاى تاتغ هشتّؼات خطای ؿثکِ هیتاؿذ‪.‬‬
‫سٍیکشد خذیذ دس آهَصؽ ؿثکِّای ػلثی اػتفادُ اص الگَسیتنّای‬
‫اتتکاسی اػت‪ .‬سٍؽّای خؼتٍخَی اتتکاسی‪ ،‬الگَسیتنّایی ّؼتٌذ کِ‬
‫تا الْام اص فشایٌذّای فیضیکی ٍ تیَلَطیکی دس طثیؼت تٍِخَد آهذُاًذ‪.‬‬
‫سٍؽّای خؼتٍخَی اتتکاسی تش خالف سٍؽّای کالػیک تش هثٌای‬
‫تلادف ػول کشدُ ٍ خؼتٍخَی فضا سا تِ كَست هَاصی اًدام‬
‫هیدٌّذ‪ .‬ایي ًَع سٍؽّا تٌْا اص تاتغ تشاصًذگی تشای ّذایت خؼتٍخَ‬
‫اػتفادُ هیکٌٌذ‪.‬‬
‫دس صهیٌِ طشاحی هؼواسی تْیٌِ ؿثکِّای ػلثی کِ کاس اكلی پظٍّؾ‬
‫پیؾ سٍ هیتاؿذ‪ ،‬پظٍّؾّایی تا اػتفادُ اص الگَسیتن تْیٌِػاصی گشٍُ‬
‫رسّات]‪ [8‬اًدام ؿذُ اػت‪ .‬دس ایي پظٍّؾ ّذف‪ ،‬طشّاحی هؼواسی تْیٌِ‬
‫‪ -1‬هقذهِ‬
‫طثقِتٌذی‪ 1‬یکی اص صهیٌِّای تحقیقاتی هْن دس دادُکاٍی‪ 2‬اػت‪.‬‬
‫"طثقِتٌذی دادُ " یؼٌی اختلاف دادى یک تشداس ٍیظگی ٍسٍدی تِ یکی‬
‫اص هدوَػِّای ّذف ]‪ .[1‬تِ هٌظَس سػیذى تِ ایي ّذف‪ ،‬سٍؽّای‬
‫طثقِتٌذی هتٌَّػی هاًٌذ دسخت تلوین]‪ ،[3] ٍ [2‬ؿثکِّای ػلثی‬
‫هلٌَػی‪ ،[4] (ANNs) 3‬هاؿیي تشداس پـتیثاى]‪،[6] ٍ [5‬‬
‫ًضدیکتشیي ّوؼایِ‪ ،‬سٍؽّای ّیؼتَگشام ٍ ّؼتِ تیاى ؿذُاًذ‪ .‬دس ایي‬
‫هیاى‪ ،‬ؿثکِّای ػلثی هلٌَػی هتذاٍلتشیي سٍؽ دس طثقِتٌذی دادُ‬
‫هیتاؿذ‪.‬‬
‫ؿثکِّای ػلثی هلٌَػی‪ ،‬ػاختاسّای قذستوٌذی تشای فشایٌذّای‬
‫کٌتشلی‪ ،‬طثقِتٌذی دادُّا ٍ خَؿِتٌذی اطالػات داسًذ‪ .‬اٍصاى یک ؿثکِ‬
‫ػلثی هلٌَػی‪ ،‬هشحلِ تِ هشحلِ تش اػاع اطالػات ٍسٍدی کِ دسیافت‬

‫‪1. Classification‬‬
‫‪4. Multi Layer Perceptron‬‬ ‫‪2. Data Mining‬‬
‫‪5. Error Back Propagation‬‬ ‫‪3. Artificial Neural Network‬‬
‫‪5‬‬ ‫‪4‬‬
‫گام ‪ :2‬هـخق کشدى هقادیش ‪( NI‬تؼذاد کلّ هشاحل تکشاس)‪HMS ،‬‬ ‫ؿثکِ ػلثی خْت طثقِتٌذی دادُّا هیتاؿذ کِ تا اػتفادُ اص الگَسیتن‬
‫(تؼذاد تشداس خَاب هَخَد دس حافظِ)‪ HMCR ٍ PAR ، BW ،‬تشای‬ ‫خؼتٍخَی ّواٌّگی )‪ (HS‬اًدام گشفتِ اػت‪.‬‬
‫هؼشفی تاصُ تغییشات هداص‪.‬‬ ‫دس تخؾ ‪ 2‬تِ هؼشفی الگَسیتن خؼتٍخَی ّواٌّگی پشداختِ هیؿَد‪.‬‬
‫گام‪ :3‬تؼییي هقذاس اٍّلیِّ تِ كَست تلادفی تشای تشداسّای خَاب‬ ‫دس تخؾ ‪ 3‬طشاحی هؼواسی تْیٌِ تا اػتفادُ اص الگَسیتن خؼتٍخَی‬
‫حافظِ‪.‬‬ ‫ّواٌّگی تیاى هیؿَد‪ .‬دس تخؾ ‪ 4‬ػولکشد طثقِتٌذیکٌٌذُ طشاحی‬
‫ؿذُ اسصیاتی هیؿَد‪ ٍ .‬تخؾ ‪ً 5‬تیدِگیشی سا تیاى هیکٌذ‪.‬‬
‫)(‬ ‫)(‬ ‫(‬ ‫)(‬ ‫)) (‬

‫‪ -2‬هعرفی الگَریتن جستٍجَی ّواٌّگی‬

‫کِ ‪ r‬ػذدی تیي كفش ٍ یک اػت ٍ ‪ UB ٍ LB‬حذّ پاییي ٍ تاالی‬ ‫خؼتٍخَی ّواٌّگی‪ ،‬الگَسیتن اتتکاسی الْام گشفتِ ؿذُ اص پشٍػِ‬
‫هتغیّشّاػت‪.‬‬ ‫تْثَد هَػیقی اػت‪ ٍ .‬هٌـأ الْامگیشی آى هَػیقی هیتاؿذ‪ .‬ایي‬
‫گام ‪ :4‬تشداسّای خَاب خذیذی سا تِ كَست ؿثِکذ صیش ایداد‬ ‫الگَسیتن‪ ،‬یک الگَسیتن تکاهلی اػت؛ تٌاتشایي کاستشد حافظِ اّویّت‬
‫هیًوایین‪:‬‬ ‫تیـتشی دس آى داسد‪ّ .‬ذف‪ ،‬ایداد هَػیقی خذیذ خْت سػیذى تِ هَػیقی‬
‫هطلَب هیتاؿذ‪ .‬کیفیّت ٍ صیثایی هَػیقی تِ صیش ٍ توی (فشکاًغ كذا)‪،‬‬
‫(‬ ‫)‬ ‫طٌیي (کیفیّت كذا)‪ ،‬داهٌِ ( سػایی ٍ تلٌذی كذا) تؼتگی داسد‪ .‬تشای‬
‫(‬ ‫)‬ ‫یافتي فشکاًغ هطلَب‪ ،‬فشکاًغّای هختلف سا کٌاس ّن قشاس هیدّین تا‬
‫خایی کِ هَػیقی هطلَب حاكل ؿَد ]‪ .[9‬سٍؽّای ایداد یک هَػیقی‬
‫)(‬ ‫)(‬
‫خذیذ ػثاستٌذ اص‪ًَ :‬اختي ًتّایی کِ اص قثل دس حافظِ ًَاصًذُ تَدُ اػت‪،‬‬
‫(‬ ‫)‬ ‫(‬ ‫)‬ ‫ًَاختي ًتّایی کِ اص قثل دس حافظِ ًَاصًذُ تَدُ تا اػوال تغییشاتی دس آى‬
‫(‬ ‫)‬
‫ٍ ًَاختي ًتّای تلادفی ]‪ .[9‬تٌا تش هفاّین تیاى ؿذُ‪ ،‬هؼادلػاصی‬
‫الگَسیتن ‪ HS‬تا هٌـأ آى تیاى هیؿَد تِ طَسی کِ آالت هَػیقی هؼادل‬
‫)(‬ ‫)(‬ ‫تا هتغیّشّای هؼألِ‪ ،‬فشکاًغ تشای ّش یک اص آالت هَػیقی هؼادل هقذاس‬
‫(‬ ‫)‬ ‫ّش هتغیّش ٍ هیضاى هطلَتیت ٍ ّواٌّگی هَػیقی هؼادل هقذاس تاتغ ّذف‬
‫دس ًظش گشفتِ هیؿَد]‪.[9‬‬
‫پاساهتشّای هَسد اػتفادُ دس الگَسیتن ‪ HS‬ػثاستٌذ اص‪:‬‬
‫)(‬ ‫)(‬ ‫(‬ ‫)(‬ ‫)) (‬ ‫‪ً )1‬شخ دس ًظش گشفتي حافظِ‪ (HMCR) 1‬کِ ػذدی تیي كفش ٍ یک‬
‫اػت‪.‬‬
‫(‬ ‫)‬
‫‪ )2‬پاساهتشّای تغییش صیش ٍ توی کِ ؿاهل پاساهتشّای ًشخ تغییش صیش ٍ‬
‫گام ‪ :5‬اكالح حافظِ تِ كَست ؿثِ کذ صیش ‪:‬‬ ‫توی‪ ٍ (PAR) 2‬پٌْایتاًذ‪ (BW) 3‬اػت‪ PAR .‬ػذدی تیي كفش ٍ یک‬
‫اػت ٍ تاػث تغییش دس هقادیش هتغیّشّا دس حَصُ پٌْایتاًذ هیؿَد‪ .‬اگش‬
‫(‬ ‫)‬ ‫(‬ ‫)‬
‫هتغیّشی اص حافظِ اًتخاب ؿَد‪ PAR ،‬تؼییي هیکٌذ کِ آیا تغییشی سٍی‬
‫آى اًدام تـَد یا خیش‪ .‬هقذاس خذیذ تشای ّش هتغیّش تِ ػِ كَست اػت‪:‬‬
‫اًتخاب اص حافظِ‪ ،‬اًتخاب اص حافظِ ٍ تغییش خضئی دس آى ٍ اًتخاب‬
‫گام ‪ :6‬اگش تکشاس تِ هقذاس ًْایی ‪ NI‬سػیذُ تاؿذ‪ ،‬تْتشیي تشداس خَاب‬
‫تلادفی‪.‬‬
‫حافظِ تِ ػٌَاى خَاب تْیٌِ هؼألِ اسائِ هیؿَد‪ .‬دس غیش ایي كَست تا‬
‫هشاحل گام تِ گام الگَسیتن ‪ HS‬تِ كَست صیش اػت‪:‬‬
‫سفتي تِ گام ػَم‪ ،‬الگَسیتن اداهِ هییاتذ‪.‬‬ ‫گام ‪ :1‬هـخق کشدى هتغیّشّای هؼألِ‪.‬‬

‫‪1. Harmony Memory Considering Rate‬‬

‫‪4. Number of Improvisation‬‬ ‫‪2. Pitch Adjusting Rate‬‬
‫‪5. Harmony Memory Size‬‬ ‫‪3. Band Width‬‬
‫ؿشاب تش حؼة دسكذ‪ ،‬تیاى ؿذُ اػت‪ 75 .‬دسكذ اص دادُّا تِ ػٌَاى‬ ‫‪ -3‬طراحی هعواری تْیٌِ تا استفادُ از الگَریتن‬
‫دادُّای آهَصؿی ٍ تقیِ تِ ػٌَاى دادُّای آصهایـی دس ًظش گشفتِ ؿذُ‬ ‫جستٍجَی ّواٌّگی‬
‫اػت‪ .‬دس ایي خذٍل‪ ،‬ػطح ‪ Variance ،Average ،Max ،Min‬تِ‬
‫خْت طشّاحی هؼواسی تْیٌِ ؿثکِّای ػلثی‪ّ ،‬ش تشداس خَاب سا تِ‬
‫تشتیة ًـاى دٌّذُ کوتشیي‪ ،‬تیـتشیي‪ ،‬هیاًگیي ٍ ٍاسیاًغ ًشخ تـخیق‬
‫تشتیة کذگزاسی هیکٌین‪ .‬اٍّلیي تؼذ اص تشداس خَاب تِ تؼذاد الیِّای ًْاى‬
‫كحیح دس ‪ 15‬هشتثِ اخشای الگَسیتن تشای طثقِتٌذی دادُّای گل صًثق ٍ‬
‫اختلاف هییاتذ‪ .‬ػپغ تِ تؼذاد دٍ تشاتش الیِّای ًْاى‪ ،‬اتؼاد تشداس خَاب‬
‫ؿشاب تش حؼة دسكذ اػت‪ .‬حذّ اکثش تؼذاد الیِّای ًْاى (تِ خض الیِ‬
‫اضافِ هیؿَد‪ .‬تشای هثال اگش تؼذاد الیِّای ًْاى تِ كَست تلادفی‬
‫خشٍخی) تشاتش ‪ ٍ 2‬حذاکثش تؼذاد ًشٍى ّا دس ّش الیِ ًْاى تشاتش ‪ 35‬دس ًظش‬
‫هقذاس ‪ m‬ؿذُ تاؿذ‪ ،‬اص تؼذ ‪ 2‬تا ‪ m+1‬تِ تؼذاد ًشٍىّا دس ّش الیِ ٍ اص‬
‫گشفتِ ؿذُ اػت‪.‬‬
‫تؼذ ‪ m+2‬تا ‪ 2m+1‬تِ ًَع تاتغ تحشیک اختلاف هییاتذ‪ .‬تِ ایي‬
‫خذٍل (‪ً )2( ٍ )1‬تایح تؼیاس هطلَتی سا ًـاى هیدّذ‪ .‬دس حالت آهَصؽ‬ ‫تشتیة تشداسّای خَاب تِ كَست تلادفی اًتخاب هیؿًَذ ٍ تا دس ًظش‬
‫ؿثکِ ػلثی تشای دادُّای گل صًثق ٍ ؿشاب تِ دسكذ طثقِتٌذی‬ ‫گشفتي کَچکتشیي هیاًگیي هشتّؼات خطا )‪ (MSE‬تِ ػٌَاى تاتغ ّذف‪ ،‬دس‬
‫كحیح ‪ 155‬دسكذ دس ّش تاس تکشاس سػیذین؛ تٌاتشایي الگَسیتن ‪HS‬‬ ‫فشایٌذ تکاهلی الگَسیتن تِ هؼواسی تْیٌِ ؿثکِ ػلثی کِ هؼادل کویٌِ‬
‫هؼواسی تْیٌِ سا دس ّش تاس تکشاس تا ّذف هیٌیون ‪ MSE‬یافتِ اػت‪.‬‬ ‫خطاػت؛ هیسػین‪ .‬توشکض ایي پظٍّؾ تش تْیٌِ کشدى هؼواسی ؿثکِ‬
‫ػلثی قشاس داسد‪ ،‬تٌاتشایي تشای آهَصؽ ؿثکِ ػلثی اص سٍؽ پغاًتـاس‬
‫خطا اػتفادُ هیکٌین‪.‬‬
‫طثقِتٌذی‬ ‫دسكذ‬
‫‪Iris‬‬ ‫كحیح‬
‫‪Min‬‬ ‫‪100‬‬ ‫‪ -4‬ارزیاتی عولکرد طثقِتٌذی دادُّا‬
‫‪Train stage‬‬ ‫‪Max‬‬ ‫‪100‬‬
‫‪Averege‬‬ ‫‪100‬‬ ‫تشای اسصیاتی ػولکشد ؿثکِ ػلثی ‪ ، MLP‬اص آى تشای طثقِتٌذی‬
‫‪Variance‬‬ ‫‪o‬‬ ‫دادُّای صیش اػتفادُ کشدُاین ‪:‬‬
‫‪Min‬‬ ‫‪86.6667‬‬
‫‪Test stage‬‬ ‫‪Max‬‬ ‫‪95.5556‬‬
‫‪Averege‬‬ ‫‪90.667‬‬ ‫‪ )1‬دادُّای گل صًثق‬
‫‪Variance‬‬ ‫‪2.3934‬‬

‫دادُّای گل صًثق ؿاهل ‪ 55‬اًذاصُگیشی اص چْاس ٍیظگی ػِ ًَع گل تِ‬

‫جذٍل ‪ً . 1‬رخ تطخیص صحیح دادُّای آهَزضی ٍ آزهایطی در‬ ‫ًامّای‪ Vergenica ،Versicolar ،Setosa :‬اػت‪ .‬ایي ٍیظگیّا‬
‫طثقِتٌذی دادُّای گل زًثق‬ ‫ػثاستٌذ اص‪ :‬طَل کاػثشگ‪ ،‬ػشم کاػثشگ‪ ،‬طَل گلثشگ ٍ ػشم گلثشگ‪.‬‬
‫دس ایي هؼألِ ػِ کالع هَخَد اػت ٍ ّش کالع داسای ‪ 55‬الگَ تا‬
‫تشداسّای ٍیظگی چْاس تؼذی اػت‪.‬‬
‫طثقِتٌذی‬ ‫دسكذ‬
‫‪Wine‬‬ ‫كحیح‬ ‫‪ )2‬دادُّای ؿشاب‬
‫‪Min‬‬ ‫‪100‬‬
‫‪Train stage‬‬ ‫‪Max‬‬ ‫‪100‬‬
‫‪Averege‬‬ ‫‪100‬‬
‫ایي هدوَػِ هتـکل اص آًالیض ؿیویایی ػٌاكش سؿذ دادُ ؿذُ ؿشابّا‬
‫‪Variance‬‬ ‫‪0‬‬ ‫دس ؿشایط هؼاٍی دس هٌطقِای اص ایتالیاػت‪ .‬تشداسّای ٍیظگی داسای ‪13‬‬
‫‪Min‬‬ ‫‪70.3704‬‬
‫‪Test stage‬‬ ‫‪Max‬‬ ‫‪96.2963‬‬ ‫هؤلّفِ پیَػتِ ّؼتٌذ‪ .‬دس هدوَع ‪ً 178‬وًَِ دس ػِ کالع هدضا دس ایي‬
‫‪Averege‬‬ ‫‪84.0445‬‬
‫‪Variance‬‬ ‫‪7.4275‬‬ ‫هدوَػِ دادُ ٍخَد داسد‪.‬‬

‫‪ 1-4‬ارزیاتی عولکرد‬
‫جذٍل ‪ً .2‬رخ تطخیص صحیح دادُّای آهَزضی ٍ آزهایطی در‬
‫دس خذٍل (‪ً )1‬شخ تـخیق كحیح دادُّای آهَصؿی ٍ آصهایـی ؿثکِ‬
‫طثقِتٌذی دادُّای ضراب‬
‫ػلثی دس طثقِتٌذی دادُّای گل صًثق ٍ دس خذٍل (‪ )2‬تشای دادُّای‬
 ‫ ًتیجِ گیری‬-5
‫ؿثکِّای ػلثی هلٌَػی ػاختاسّای قذستوٌذی تشای دػتِتٌذی‬
‫ تؼیاسی اص هحقّقیي توایل داسًذ اص ایي اتضاس‬.‫دادُّا ٍ یادگیشی الگَّا داسًذ‬
‫ الگَسیتن‬.‫اػتفادُ کٌٌذ اهّا تا هؼألِ هؼواسی ؿثکِ ػلثی سٍتشٍ هیؿًَذ‬
‫خؼتٍخَی ّواٌّگی اص خولِ خذیذتشیي الگَسیتنّای اتتکاسیؼت کِ تا‬
‫ دس ایي پظٍّؾ اػتفادُ اص الگَسیتن‬.‫ تٌا ًْادُ ؿذُ اػت‬،‫الْام اص هَػیقی‬
‫ ًتایح‬.‫خؼتٍخَی ّواٌّگی تشای یافتي هؼواسی تْیٌِ پیـٌْاد هیؿَد‬
‫حاكل ًـاى هیدّذ کِ ایي الگَسیتن دس یافتي هؼواسی تْیٌِ تِ خَتی‬
.‫ػول هیکٌذ‬

‫هراجع‬

[1] R. S. Kulkarni and M. Vidyasagar, "Learning decision rules

for pattern classification under a family of probability measures,"
IEEE Trans. on Information Theory, vol. 43, no. 1, pp. 154-166,
Jan. 1997.
[2] J. R. Qinlan, "Introduction of decision trees," Machine
Learning, vol. 1, no. 1, pp. 86-101, Mar. 1986.
[3] Y. Freund, "Boosting a weak learning algorithm by majority,"
Information Computation, vol. 121, no. 2, pp. 256-285, Sep. 1995.
[4] C. Hongjun, R. Setiono, and L. Huan, "Effect data mining
using neural networks," IEEE Trans. on Knowledge and Data
Engineering, vol. 8, no. 6, pp. 957-961, Dec. 1996.
[5] B. E. Boser, I. M. Guyon, and V. N. Vapnik, "A training
algorithm for optimal margin classifiers," in Proc. 5th Annual
ACM Workshop on Computational Learning Theory, New York,
NY, US, pp. 144-152, 13-15 Jun. 1992.
[6] V. N. Vapink, The Nature of Statistical Learning Theory,
Springer Verlag, 1995.
ُ‫ اًتـاسات داًـگا‬،‫ هثاًی ؿثکِّای ػلثی‬:‫ خلذ اٍل‬،‫ َّؽ هحاػثاتی‬،‫ب هٌْاج‬.‫[ م‬7]
.1379 ،‫ ٍیشایؾ اٍل‬،‫ تْشاى‬،‫كٌؼتی اهیش کثیش‬
[8]S. Kiranyaz,T. Ince,A. Yildirim and M. Gabbouji,
“Unsupervised Design of Artificial Neural Networks via Multi-
Dimentional Particle Swarm Optimization”,19th International
Conference on Pattern Recognition,pp.1-4, IEEE 2008.
[9]Geem Z.W., “Music-Inspired Harmony Search
Algorithm”,Springer-Verlag Berlin Heidelberg, 2009.