Learning Errors by Radial Basis Function Neural Networks and Regularization Networks

0331128 - ÚI 2010 RIV KR eng J - Článek v odborném periodiku
Neruda, Roman - Vidnerová, Petra
Learning Errors by Radial Basis Function Neural Networks and Regularization Networks.
[Chyby učení u RBF sítí a regularizačních sítí.]
International Journal of Grid and Distributed Computing. Roč. 1, č. 2 (2009), s. 49-57. ISSN 2005-4262
Grant CEP: GA MŠMT(CZ) 1M0567
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: neural network * RBF networks * regularization * learning
Kód oboru RIV: IN - Informatika
http://www.sersc.org/journals/IJGDC/vol2_no1/5.pdf

Regularization theory presents a sound framework to solving supervised learning problems. However, there is a gap between the theoretical results and practical suitability of regularization networks (RN). Radial basis function networks (RBF) that can be seen as a special case of regularization networks have a rich selection of learning algorithms. In this work we study a relationship between RN and RBF, and show that theoretical estimates for RN hold for a concrete RBF applied to real-world data, to a certain degree. This can provide several recommendations for strategies on choosing number of units in RBF network.

Regularizační teorie představuje silný aparát řešení problémů učení s učitelem. Bohužel existuje nesoulad mezi teoretickými výsledky a praktickou použitelností regularizačních sítí (RN). Sítě typu Radial Basis Functions (RBF), na které můžeme pohlížet jako na speciální případ RN sítí, mají velké možnosti učení. V této práci studujeme vztah mezi RBF a RN sítěmi a ukazujeme, že teoretické výsledky pro RN sítě platí v určitém ohledu i pro RBF sítě. To nám poskytuje vodítka pro volbu počtu jednotek RBF sítí.
Trvalý link: http://hdl.handle.net/11104/0176739