Počet záznamů: 1
Improving Neural Network Approximations in Applications: Case Study in Materials Science
- 1.
SYSNO ASEP 0326658 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve WOS Název Improving Neural Network Approximations in Applications: Case Study in Materials Science Překlad názvu Zlepšování aproximací pomocí neuronových sítí v aproximacích: případová studie v materiálových vědách Tvůrce(i) Holeňa, Martin (UIVT-O) SAI, RID
Steinfeldt, N. (DE)Zdroj.dok. Neural Network World. - : Ústav informatiky AV ČR, v. v. i. - ISSN 1210-0552
Roč. 19, č. 2 (2009), s. 165-190Poč.str. 26 s. Jazyk dok. eng - angličtina Země vyd. CZ - Česká republika Klíč. slova artificial neural networks ; approximation capability ; crossvalidation Vědní obor RIV IN - Informatika CEZ AV0Z10300504 - UIVT-O (2005-2011) UT WOS 000266086700002 EID SCOPUS 67649185084 Anotace The popularity of feed-forward neural networks such as multilayer perceptrons and radial basis function networks is to a large extent due to their universal approximation capability. This paper concerns its theoretical principles, together with the influence of network architecture and of the distribution of training data on this capability. Then, the possibility to exploit this influence in order to improve the approximation capability of multilayer perceptrons by means of cross-validation and boosting is explained. Although in theory, the impact of both methods on the approximation capability of feed-forward networks is known, they are still not common in real-world applications. Therefore, the paper documents usefulness of both methods on a detailed case study in materials science. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2010
Počet záznamů: 1