Počet záznamů: 1  

Feed-Forward Neural Networks and Minimal Search Space Learning

  1. 1. 0405661 - UIVT-O 336043 RIV US eng J - Článek v odborném periodiku
    Neruda, Roman
    Feed-Forward Neural Networks and Minimal Search Space Learning.
    [Dopředné neuronové sítě a učení na minimálních prohledávacích prostorech.]
    WSEAS Transactions on Computers. Roč. 4, č. 12 (2005), s. 1867-1872. ISSN 1109-2750
    Grant CEP: GA ČR GA201/05/0557
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: search space * feed-forward networks * genetic algorithms
    Kód oboru RIV: BA - Obecná matematika

    A functional equivalence of feed-forward networks has been proposed to reduce the search space of learning algorithms. The description of equivalence classes has been used to introduce a unique parametrization property and consequently the so-called canonical parametrizations as representatives of functional equivalence classes. A novel genetic learning algorithm for RBF networks and perceptrons with one hidden layer that operates only on these parametrizations has been proposed. Experimental results show that our procedure outperforms the standard genetic learning. An important extension of theoretical results demonstrates that our approach is also valid in the case of approximation.

    Funkční ekvivalence dopředných sítí byla navržena za účelem redukce prohledávacích prostorů učících algoritmů. Popis tříd ekvivalence přinesl charakterizaci jednoznačných zástupců parametrizací. Navrhujeme nový genetický učící algoritmus pro RBF a perceptronové sítě s jednou skrytou vrstvou. Experimenty ukazují, že tato procedura urychluje standardní genetické učení. Dle teoretických výsledků je tento přístup použitelný i pro aproximační problémy.
    Trvalý link: http://hdl.handle.net/11104/0125801