Transformace vysoko dimenzionálních reprezentací v konekcionistických systémech

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F04%3A00103262" target="_blank" >RIV/67985807:_____/04:00103262 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Mappings between High-Dimensional Representations in Connectionistic Systems
Popis výsledku v původním jazyce
Approximations of high-dimensional mappings by neural network is investigated in the context of nonlinear approximation theory. It is shown that the "curse of dimensionality" can be avoided when certain norms of mappings are kept low. There are describedproperties and methods of derivation of estimates of such norms. The results are applied to perceptron and RBF networks.
Název v anglickém jazyce
Mappings between High-Dimensional Representations in Connectionistic Systems
Popis výsledku anglicky
Approximations of high-dimensional mappings by neural network is investigated in the context of nonlinear approximation theory. It is shown that the "curse of dimensionality" can be avoided when certain norms of mappings are kept low. There are describedproperties and methods of derivation of estimates of such norms. The results are applied to perceptron and RBF networks.

Projekt
<a href="/cs/project/GA201%2F00%2F1489" target="_blank" >GA201/00/1489: Soft Computing: teoretické základy a experimenty</a><br>
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění
2004
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)