Počet záznamů: 1
Learning Errors by Radial Basis Function Neural Networks and Regularization Networks
- 1.
SYSNO ASEP 0331128 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Ostatní články Název Learning Errors by Radial Basis Function Neural Networks and Regularization Networks Překlad názvu Chyby učení u RBF sítí a regularizačních sítí Tvůrce(i) Neruda, Roman (UIVT-O) SAI, RID, ORCID
Vidnerová, Petra (UIVT-O) RID, SAI, ORCIDZdroj.dok. International Journal of Grid and Distributed Computing - ISSN 2005-4262
Roč. 1, č. 2 (2009), s. 49-57Poč.str. 9 s. Jazyk dok. eng - angličtina Země vyd. KR - Korejská republika Klíč. slova neural network ; RBF networks ; regularization ; learning Vědní obor RIV IN - Informatika CEP 1M0567 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy CEZ AV0Z10300504 - UIVT-O (2005-2011) Anotace 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. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2010
Počet záznamů: 1