Guaranteed Training Set for Associative Networks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17310%2F17%3AA1801QXV" target="_blank" >RIV/61988987:17310/17:A1801QXV - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007%2F978-3-319-58088-3_13" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-319-58088-3_13</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-58088-3_13" target="_blank" >10.1007/978-3-319-58088-3_13</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Guaranteed Training Set for Associative Networks
Popis výsledku v původním jazyce
The focus in this paper is on the proposal of guaranteed patterns in the training set for associative networks. All proposed patterns are pseudoortogonal and they also fulfil stability condition. Patterns were stored into the matrix using Hebb rules for associative networks. In the experimental study, we tested which from the heteroassociative Bidirectional Associative Memory (BAM) and autoassociative Hopfield network is more effective when working with the proposed patterns and what are the possibilities for Hopfield networks when working with real patterns. The comparison was made in order to recognize various damaged images using both types of associative networks. All obtained results are presented in tables or in graphs.
Název v anglickém jazyce
Guaranteed Training Set for Associative Networks
Popis výsledku anglicky
The focus in this paper is on the proposal of guaranteed patterns in the training set for associative networks. All proposed patterns are pseudoortogonal and they also fulfil stability condition. Patterns were stored into the matrix using Hebb rules for associative networks. In the experimental study, we tested which from the heteroassociative Bidirectional Associative Memory (BAM) and autoassociative Hopfield network is more effective when working with the proposed patterns and what are the possibilities for Hopfield networks when working with real patterns. The comparison was made in order to recognize various damaged images using both types of associative networks. All obtained results are presented in tables or in graphs.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Systems and Computing
ISBN
978-331958087-6
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
11
Strana od-do
136-146
Název nakladatele
Springer Verlag
Místo vydání
Cham, Switzerland
Místo konání akce
Brno
Datum konání akce
8. 6. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—