Publikace detail

Possibilities of Piecewise-Linear Neural Network Training Using Levenberg-Marquardt Algorithm and Hybrid Differential Evolution

Autoři: Gago Lumír | Doležel Petr

Rok: 2016

Druh publikace: článek ve sborníku

Název zdroje: Mendel 2016 : 22nd International Conference on Soft Computing

Název nakladatele: Vysoké učení technické v Brně

Místo vydání: Brno

Strana od-do: 39-42

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Možnosti trénování po částech lineární umělé neuronové sítě pomocí Levenbergova-Marquardtova algoritmu a hybridní diferenciální evoluce	Článek je zaměřen na porovnání aproximačních schopností dopředné vícevrstvé umělé neuronové sítě s hyperbolicko-tangenciálními aktivačními funkcemi ve skryté vrstvě vůči neuronové sítí s lineárními saturovanými aktivačními funkcemi. K porovnání jsou využity různé benchmarkové datové sady a dva přístupy ke trénování. K analýze výsledků byla použita řada statistických parametrů a je možné říci, že vzhledem k dosaženým výsledkům jsou aproximační schopnosti obou topologií podobné.	umělá neuronová síť; aktivační funkce; Levenbergův-Marquardtův algoritmus; diferenciální evoluce
eng	Possibilities of Piecewise-Linear Neural Network Training Using Levenberg-Marquardt Algorithm and Hybrid Differential Evolution	This article is focused on the comparison of the learning of an artificial neural network with a hyperbolic tangent activation function and an artificial neural network with a linear saturated activation function in hidden layers. The learning is performed by a Levenberg-Marquardt algorithm and hybrid differential evolution. For evaluating of learning characteristics, there is calculated a comprehensive set of statistical variables. The results are analysed and shown as a table for each experiment. An empirical result discussed at the end of the paper is, that the approximation qualities of both networks under examination are similar.	artificial neural network, activation function, Levenberg-Marquardt algorithm, differential evolution.

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte