ارائه‌ي يك شبكه عصبي سلسله مراتبي و الگوريتم آموزش تركيبي براي طبقه‌بندي

استخراج ويژگي‌ از يك ديدگاه، محتواي مجموعه داده خام را به خوبي نشان نمي‌دهد. يادگيري اين ويژگي‌ها ازديدگاه‌هاي متفاوت، فاكتور‌هاي موثرتري را از مجموعه داده‌ي خام استخراج مي‌كند. شبكه‌هاي عصبي پس انتشار خطا يكي از روش‌هاي پيشگام، در استنتاج ويژگي‌هاي موثر هستند. از طرف ديگر شبكه‌هاي عصبي مبتني بر ماشين يادگيري سريع ، يك تكنولوژي نوظهور در استخراج ويژگي‌ها است و كارايي بهتري نسبت به شبكه هاي باور عميق و اتوانكدر‌هاي پشته‌اي دارند. با توجه به كارايي هر دو شبكه، در اين مقاله يك شبكه‌ي عصبي سلسله مراتبي برمبناي تركيب شبكه‌هاي پس انتشارخطا و شبكه‌هاي مبتني بر ماشين يادگيري سريع ارائه شده است. استفاده از اين شبكه‌ي سلسله مراتبي، منجر به افزايش توانايي مدل در استخراج ويژگي و افزايش دقت در طبقه‌بندي داده‌ها مي‌شود. نتايج آزمايش ها نشان مي دهد كه دقت طبقه‌بندي الگوريتم پيشنهادي نسبت به ساير روش هاي مبتني بر ماشين يادگيري سريع بهبود يافته است.