Nature Inspired Methods in the Radial Basis Function Network Learning Process

Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03151584" target="_blank" >RIV/68407700:21230/08:03151584 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—

Result language
angličtina
Original language name
Nature Inspired Methods in the Radial Basis Function Network Learning Process
Original language description
In present we benefit from the use of nature processes which provide us with highly effective heuristics for solving various problems. Their advantages are mainly prominent in hybrid approach. This paper evaluates several approaches for learning neural network based on Radial Basis Function (RBF) for distinguishing different sets in R^L. RBF networks use one layer of hidden RBF units and the number of RBF units is kept constatnt. In the paper we evaluate the ACO_R (Ant Colony Approach for Real domain) approach inspired by ant behavior and the PSO (Particle Swarm Optimization) algorithm inspired by behavior of flock of birds or fish in the nature. Nature inspired and classical algorithms are compared and evaluated.
Czech name
Využití metod inspirovaných přírodou v procesu učení sítí RBF
Czech description
Přírodní procesy nabízí vysoce efektivní heuristické přístupy, které lze využít pro řešení různých problémů. Mezi nejznámější příklady patří neuronové sítě. Tento příspěvek hodnotí různé přístupy pro učení RBF neuronových sítí - optimalizace inspirovanámravenčími procesy pro reálné problémy (ACO_R) a optimalizace hejnem částic (PSO). Článek uvádí základní popis a porovnání příslušných metod a základní metody učení.

Publication year
2008
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Similar results(10)