A Hybrid Learning Algorithm For Evolving Flexible Beta Basis Function Neural Tree Model
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F13%3A86089345" target="_blank" >RIV/61989100:27240/13:86089345 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27740/13:86089345
Výsledek na webu
<a href="http://www.sciencedirect.com/science/article/pii/S0925231213001975#" target="_blank" >http://www.sciencedirect.com/science/article/pii/S0925231213001975#</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.neucom.2013.01.024" target="_blank" >10.1016/j.neucom.2013.01.024</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Hybrid Learning Algorithm For Evolving Flexible Beta Basis Function Neural Tree Model
Popis výsledku v původním jazyce
In this paper, a tree-based encoding method is introduced to represent the Beta basis function neural network. The proposed model called Flexible Beta Basis Function Neural Tree (FBBFNT) can be created and optimized based on the predefined Beta operatorsets. A hybrid learning algorithm is used to evolving FBBFNT Model: the structure is developed using the Extended Genetic Programming (EGP) and the Beta parameters and connected weights are optimized by the Opposite-based Particle Swarm Optimization algorithm (OPSO). The performance of the proposed method is evaluated for benchmark problems drawn from control system and time series prediction area and is compared with those of related methods.
Název v anglickém jazyce
A Hybrid Learning Algorithm For Evolving Flexible Beta Basis Function Neural Tree Model
Popis výsledku anglicky
In this paper, a tree-based encoding method is introduced to represent the Beta basis function neural network. The proposed model called Flexible Beta Basis Function Neural Tree (FBBFNT) can be created and optimized based on the predefined Beta operatorsets. A hybrid learning algorithm is used to evolving FBBFNT Model: the structure is developed using the Extended Genetic Programming (EGP) and the Beta parameters and connected weights are optimized by the Opposite-based Particle Swarm Optimization algorithm (OPSO). The performance of the proposed method is evaluated for benchmark problems drawn from control system and time series prediction area and is compared with those of related methods.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neurocomputing
ISSN
0925-2312
e-ISSN
—
Svazek periodika
117
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
11
Strana od-do
107-117
Kód UT WoS článku
000321408200013
EID výsledku v databázi Scopus
—