Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Cluster Validation Analysis on Attribute Relative of Soft-Set Theory Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Chicken S-BP: An Efficient Chicken Swarm Based Back-Propagation Algorithm

verfasst von : Abdullah Khan, Nazri Mohd Nawi, Rahmat Shah, Nasreen Akhter, Atta Ullah, M. Z. Rehman, Norhamreeza AbdulHamid, Haruna Chiroma

Erschienen in: Recent Advances on Soft Computing and Data Mining

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

An innovative metaheuristic based algorithm Chicken Swarm Optimization (CSO) is inspired by characteristics of chicken flock. CSO is particularly suitable for the investigation in candidate solutions for large spaces. This paper hybridize the CSO algorithm with the Back Propagation (BP) algorithm to solve the local minimum problem and to enhance convergence to global minimum in BP algorithm. The proposed Chicken Swarm Back Propagation (Chicken S-BP) is compared with the Artificial Bee Colony Back-Propagation (ABCBP), Genetic Algorithm Neural Network (GANN) and traditional BPNN algorithms. In particular Iris, Australian Credit Card, and 7-Bit Party classification datasets are used in training and testing the performance of the Chicken S-BP hybrid network. Results of simulation illustrates that Chicken S-BP algorithm efficiently prevents local minima and provides optimal solution.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel One-Way ANOVA Model with Fuzzy Data for Consumer Demand
Nächstes Kapitel A Review on Violence Video Classification Using Convolutional Neural Networks
Literatur
1.
Rumelhart, D.E., McClelland, J.L.: Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Foundations. MIT Press, New York (1986)CrossRef
2.
Nawi, N.M., Khan, A., Rehman, M.Z.: A new back-propagation neural network optimized with cuckoo search algorithm. In: Murgante, B., Misra, S., Carlini, M., Torre, C.M., Nguyen, H.Q., Taniar, D., Apduhan, B.O., Gervasi, O. (eds.) ICCSA 2013. LNCS, vol. 7971, pp. 413–426. Springer, Berlin (2013). doi:10.​1007/​978-3-642-39637-3_​33CrossRef
3.
Lahmiri, S.: A comparative study of back propagation algorithms in financial prediction. Int. J. Comput. Sci. Eng. Appl. 1(4), 15–21 (2011)
4.
Rehman, M.Z., Nawi, N.M.: The effect of adaptive momentum in improving the accuracy of gradient descent back propagation algorithm on classification problems. In: Mohamad Zain, J., Wan Mohd, W.M., El-Qawasmeh, E. (eds.) ICSECS 2011. CCIS, vol. 179, pp. 380–390. Springer, Berlin (2011). doi:10.​1007/​978-3-642-22170-5_​33CrossRef
5.
Nandy, S., Sarkar, P.P., Das, A.: Analysis of a nature inspired firefly algorithm based back-propagation neural network training. Int. J. Comput. Appl. 43(22), 0975–8887 (2012)
6.
Xingbo, S., Pingxian, Y.: BP neural networks with improved activation function and its application in the micrographs classification. In: 2008 Fourth International Conference on Natural Computation, ICNC 2008 (2008)
7.
Wang, X.G., Tang, Z., Tamura, H., Ishii, M., Sun, W.D.: An improved backpropagation algorithm to avoid the local minima problem. Neurocomputing 56, 455–460 (2004)CrossRef
8.
Yu, C.C., Liu, B.D.: A Backpropagation algorithm with adaptive learning rate and momentum coefficient. In: IJCNN 2002, Honolulu, pp. 1218–1223 (2002)
9.
Zhang, J.R., et al.: A hybrid particle swarm optimization–back-propagation algorithm for feedforward neural network training. Appl. Math. Comput. 185(2), 1026–1037 (2007)MATH
10.
Mendes, R., et al.: Particle swarms for feedforward neural network training. In: 2002 Proceedings of the 2002 International Joint Conference on Neural Networks, IJCNN (2002)
11.
Karaboga, D., Akay, B., Ozturk, C.: Artificial bee colony (ABC) optimization algorithm for training feed-forward neural networks. In: Torra, V., Narukawa, Y., Yoshida, Y. (eds.) MDAI 2007. LNCS (LNAI), vol. 4617, pp. 318–329. Springer, Berlin (2007). doi:10.​1007/​978-3-540-73729-2_​30CrossRef
12.
Karaboga, D., Ozturk, C.: Neural networks training by artificial bee colony algorithm on pattern classification. Neural Netw. World 19(3), 279–292 (2009)
13.
Yao, X.: Evolutionary artificial neural networks. Int. J. Neural Syst. 4(03), 203–222 (1993)CrossRef
14.
15.
Yang, X.S.: A new metaheuristic bat-inspired algorithm. In: González, J.R., Pelta, D.A., Cruz, C., Terrazas, G., Krasnogor, N. (eds.) Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), pp. 65–74. Springer, Heidelberg (2010)CrossRef
16.
Nawi, N.M., Rehman, M.Z., Khan, A.: A new bat based back-propagation (BAT-BP) algorithm. In: Swiątek, J., Grzech, A., Swiątek, P., Tomczak, J.M. (eds.). AISC, vol. 240, pp. 395–404 Springer, Cham (2014). doi:10.​1007/​978-3-319-01857-7_​38CrossRef
17.
Nawi, N.M., Khan, A., Rehman, M.Z.: CSLM: levenberg marquardt based back propagation algorithm optimized with cuckoo search. J. ICT Res. Appl. 7(2), 103–116 (2013)CrossRef
18.
Montana, D.J., Davis, L.: Training feedforward neural networks using genetic algorithms. In: IJCAI (1989)
19.
Meng, X., Liu, Y., Gao, X., Zhang, H.: A new bio-inspired algorithm: chicken swarm optimization. In: Tan, Y., Shi, Y., Coello, C.A. (eds.) ICSI 2014. LNCS, vol. 8794, pp. 86–94. Springer, Cham (2014). doi:10.​1007/​978-3-319-11857-4_​10CrossRef
20.
Fisher, R.A.: The use of multiple measurements in taxonomic problems. Ann. Eugenics 7, 179–188 (1936)CrossRef
Metadaten
Titel
Chicken S-BP: An Efficient Chicken Swarm Based Back-Propagation Algorithm
verfasst von
Abdullah Khan
Nazri Mohd Nawi
Rahmat Shah
Nasreen Akhter
Atta Ullah
M. Z. Rehman
Norhamreeza AbdulHamid
Haruna Chiroma
Copyright-Jahr
2017
Buch
Recent Advances on Soft Computing and Data Mining

Print ISBN: 978-3-319-51279-2

Electronic ISBN: 978-3-319-51281-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-51281-5_13