Metoda Gaussových směsí při návrhu optimálního vstupního signálu neuronové sítě

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F07%3A00501093" target="_blank" >RIV/49777513:23520/07:00501093 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Gaussian Sum Approach with Optimal Experiment Design for Neural Network

Popis výsledku v původním jazyce

Design of optimal input signal for system modeled by multi-layer perceptron network is treated. Because the true system is unknown, the design can be constructed only from the actually obtained model. However, neural networks with the same structure differing only in parameters values are able to approximate various nonlinear mappings therefore it is crucial maximally to use available informations to select suitable input data. Hence a global estimation method allowing to determine conditional probability density functions of network parameters will be used. The Gaussian sum approach based on approximation of arbitrary probability density function by a sum of normal distributions seems to be suitable to use. This approach is a less computationally demanding alternative to the sequential Monte Carlo methods and gives better results than the commonly used prediction error methods. The properties of the proposed experimental design are demonstrated in a numerical example.

Název v anglickém jazyce

Gaussian Sum Approach with Optimal Experiment Design for Neural Network

Popis výsledku anglicky

Design of optimal input signal for system modeled by multi-layer perceptron network is treated. Because the true system is unknown, the design can be constructed only from the actually obtained model. However, neural networks with the same structure differing only in parameters values are able to approximate various nonlinear mappings therefore it is crucial maximally to use available informations to select suitable input data. Hence a global estimation method allowing to determine conditional probability density functions of network parameters will be used. The Gaussian sum approach based on approximation of arbitrary probability density function by a sum of normal distributions seems to be suitable to use. This approach is a less computationally demanding alternative to the sequential Monte Carlo methods and gives better results than the commonly used prediction error methods. The properties of the proposed experimental design are demonstrated in a numerical example.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Signal and Image Processing

ISBN

—

ISSN

1482-7921

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

ACTA Press

Místo vydání

Anaheim

Místo konání akce

Honolulu

Datum konání akce

22. 8. 2007

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000251419000076