Počet záznamů: 1
Feed-Forward Neural Networks and Minimal Search Space Learning
- 1.
SYSNO ASEP 0405661 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve SCOPUS Název Feed-Forward Neural Networks and Minimal Search Space Learning Překlad názvu Dopředné neuronové sítě a učení na minimálních prohledávacích prostorech Tvůrce(i) Neruda, Roman (UIVT-O) SAI, RID, ORCID Zdroj.dok. WSEAS Transactions on Computers - ISSN 1109-2750
Roč. 4, č. 12 (2005), s. 1867-1872Poč.str. 6 s. Jazyk dok. eng - angličtina Země vyd. US - Spojené státy americké Klíč. slova search space ; feed-forward networks ; genetic algorithms Vědní obor RIV BA - Obecná matematika CEP GA201/05/0557 GA ČR - Grantová agentura ČR CEZ AV0Z10300504 - UIVT-O (2005-2011) EID SCOPUS 30144444499 Anotace 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. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2006
Počet záznamů: 1