Iterativní principy rozpoznávání v pravděpodobnostních neuronových sítích
Popis výsledku
Pravděpodobnostní přístup patří k nejnovějším metodám návrhu neuronových sítí. Základní paradigma pravděpodobnostního přístupu je jiné než v případě standardních metod. Návrh ?klasické? neuronové sítě zpravidla vychází z formálního modelu neuronu a předpokládá nějaký způsob propojení neuronů v síti. Adaptace neuronové sítě pro daný účel (rozpoznávání vstupních objektů, aproximaci výstupní funkce a pod.) probíhá na základě nějakého algoritmu učení, který je navržen heuristicky, nebo je odvozen z vhodně zvoleného kriteria optimální funkce sítě.
Klíčová slova
Probabilistic neural networksDistribution mixturesEM algorithmRecognition of numeralsRecurrent reasoning
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Iterative principles of recognition in probabilistic neural networks
Popis výsledku v původním jazyce
When considering the probabilistic approach to neural networks in the framework of statistical pattern recognition we assume approximation of class-conditional probability distributions by finite mixtures of product components. The mixture components canbe interpreted as probabilistic neurons in neurophysiological terms and, in this respect, the fixed probabilistic description contradicts the well known short-term dynamic properties of biological neurons. By introducing iterative schemes of recognitionwe show that some parameters of probabilistic neural networks can be /released/ for the sake of dynamic processes without disturbing the statistically correct decision making. In particular, we can iteratively adapt the mixture component weights or modify the input pattern in order to facilitate correct recognition. Both procedures are shown to converge monotonically as a special case of the well known EM algorithm for estimating mixtures.
Název v anglickém jazyce
Iterative principles of recognition in probabilistic neural networks
Popis výsledku anglicky
When considering the probabilistic approach to neural networks in the framework of statistical pattern recognition we assume approximation of class-conditional probability distributions by finite mixtures of product components. The mixture components canbe interpreted as probabilistic neurons in neurophysiological terms and, in this respect, the fixed probabilistic description contradicts the well known short-term dynamic properties of biological neurons. By introducing iterative schemes of recognitionwe show that some parameters of probabilistic neural networks can be /released/ for the sake of dynamic processes without disturbing the statistically correct decision making. In particular, we can iteratively adapt the mixture component weights or modify the input pattern in order to facilitate correct recognition. Both procedures are shown to converge monotonically as a special case of the well known EM algorithm for estimating mixtures.
Klasifikace
Druh
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2008
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Networks
ISSN
0893-6080
e-ISSN
—
Svazek periodika
21
Číslo periodika v rámci svazku
6
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
10
Strana od-do
—
Kód UT WoS článku
000259846600006
EID výsledku v databázi Scopus
—
Základní informace
Druh výsledku
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP
IN - Informatika
Rok uplatnění
2008