Počet záznamů: 1
Hybrid Learning of Regularization Neural Networks
- 1.
SYSNO ASEP 0345012 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Hybrid Learning of Regularization Neural Networks Tvůrce(i) Vidnerová, Petra (UIVT-O) RID, SAI, ORCID
Neruda, Roman (UIVT-O) SAI, RID, ORCIDZdroj.dok. Artificial Intelligence and Soft Computing, 2. - Berlin : Springer, 2010 / Rutkowski L. ; Scherer R. ; Tadeusiewicz R. ; Zadeh L.A. ; Zurada J.M. - ISSN 0302-9743 - ISBN 978-3-642-13231-5 Rozsah stran s. 124-131 Poč.str. 8 s. Akce ICAISC 2010. International Conference on Artifical Intelligence and Soft Computing /10./ Datum konání 13.06.2010-17.06.2010 Místo konání Zakopane Země PL - Polsko Typ akce WRD Jazyk dok. eng - angličtina Země vyd. DE - Německo Klíč. slova supervised learning ; regularization networks ; genetic algorithms Vědní obor RIV IN - Informatika CEP KJB100300804 GA AV ČR - Akademie věd CEZ AV0Z10300504 - UIVT-O (2005-2011) UT WOS 000281548200015 EID SCOPUS 77955445838 DOI 10.1007/978-3-642-13232-2_15 Anotace Regularization theory presents a sound framework to solving supervised learning problems. However, the regularization networks have a large size corresponding to the size of training data. In this work we study a relationship between network complexity, i.e. number of hidden units, and approximation and generalization ability. We propose an incremental hybrid learning algorithm that produces smaller networks with performance similar to original regularization networks. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2011
Počet záznamů: 1