Optimalizace neuronových sítí evolučními technikami

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17310%2F05%3AA0900ERV" target="_blank" >RIV/61988987:17310/05:A0900ERV - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61988987:17310/05:A1000ERV

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Evolutionary techniques for neural network optimization

Popis výsledku v původním jazyce

The idea of evolving artificial networks by evolutionary algorithms is based on a powerful metaphor: the evolution of the human brain. The application of evolutionary algorithms to neural network optimization is an active field of study. The success andspeed of training of neural network is based on the initial parameter settings, such as architecture, initial weights, learning rates, and others. A lot of research is being done on how to find the optimal network architecture and parameter settings given the problem it has to learn. One possible solution is use of evolutionary algorithms to neural network optimization systems. We can distinguish two separate issues for it: on the one hand weight training, and on the other hand architecture optimization. Next, we will focus on the architecture optimization and especially on the comparison of different strategies of neural network architecture encoding for the purchase of the evolutionary algorithm.

Název v anglickém jazyce

Evolutionary techniques for neural network optimization

Popis výsledku anglicky

The idea of evolving artificial networks by evolutionary algorithms is based on a powerful metaphor: the evolution of the human brain. The application of evolutionary algorithms to neural network optimization is an active field of study. The success andspeed of training of neural network is based on the initial parameter settings, such as architecture, initial weights, learning rates, and others. A lot of research is being done on how to find the optimal network architecture and parameter settings given the problem it has to learn. One possible solution is use of evolutionary algorithms to neural network optimization systems. We can distinguish two separate issues for it: on the one hand weight training, and on the other hand architecture optimization. Next, we will focus on the architecture optimization and especially on the comparison of different strategies of neural network architecture encoding for the purchase of the evolutionary algorithm.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2005

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 1st International Workshop on Artifitial Neural Networks and Intelligent Information Processing, ANNIIP 2005.

ISBN

972-8865-36-8

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

—

Název nakladatele

In conjuction with ICINCO 2005.

Místo vydání

Barcelona

Místo konání akce

Barcelona

Datum konání akce

13. 9. 2005

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—