Počet záznamů: 1

Learning Errors by Radial Basis Function Neural Networks and Regularization Networks

  1. 1.
    0331128 - UIVT-O 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 MŠk(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 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