دانلود کتب، جزوات و مقالات علوم ریاضی و آمار

شبکه هاي عصبي بازگشت پذير يکي از مدل هاي وفقي اند که براي پردازش گراف ها مناسبند. مدل ابتدايي اين شبکه ها تنها قادر به پردازش گراف هاي بدون حلقه مرتب شده جهت دار (DAGO) هستند. در اين گراف ها فرزندان هر نود مرتب شده اند، اين فرض يک محدوديت غير ضروري است. در اين مقاله روش اشتراک گذاري وزني که محدوديت مرتب بودن فرزندان را درپردازش گراف ها رفع مي کند، معرفي شده است. همچنين براي پردازش گراف هاي بدون چرخه جهت دار با لبه هاي بر چسب خورده (DAG-LE) نيز مدل جديدي از شبکه هاي عصبي بازگشت پذير معرفي مي شود. هر دو روش، استقلال خروجي شبکه نسبت به جايگشت هاي لبه هاي خارج شده از هر نود را تضمين مي کنند. در ادامه يک تشخيص دهنده الگو بر پايه مدل بازگشت پذيراخير آمده است. تشخيص با اين روش نياز به هيچ آگاهي قبلي از مدل شي مورد نظر ندارد ودر مقابل انتقال وچرخش تصوير نيز پايا است.

 نسخه قابل چاپ