چکیده: (9243 مشاهده)
شبکه های عصبی بازگشت پذیر یکی از مدل های وفقی اند که برای پردازش گراف ها مناسبند. مدل ابتدایی این شبکه ها تنها قادر به پردازش گراف های بدون حلقه مرتب شده جهت دار (DAGO) هستند. در این گراف ها فرزندان هر نود مرتب شده اند، این فرض یک محدودیت غیر ضروری است. در این مقاله روش اشتراک گذاری وزنی که محدودیت مرتب بودن فرزندان را درپردازش گراف ها رفع می کند، معرفی شده است. همچنین برای پردازش گراف های بدون چرخه جهت دار با لبه های بر چسب خورده (DAG-LE) نیز مدل جدیدی از شبکه های عصبی بازگشت پذیر معرفی می شود. هر دو روش، استقلال خروجی شبکه نسبت به جایگشت های لبه های خارج شده از هر نود را تضمین می کنند. در ادامه یک تشخیص دهنده الگو بر پایه مدل بازگشت پذیراخیر آمده است. تشخیص با این روش نیاز به هیچ آگاهی قبلی از مدل شی مورد نظر ندارد ودر مقابل انتقال وچرخش تصویر نیز پایا است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومى دریافت: 1385/6/15 | انتشار: 1386/6/24