Approximating Multivariable Functions by Feedforward Neural Nets

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F13%3A00389184" target="_blank" >RIV/67985807:_____/13:00389184 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-36657-4_5" target="_blank" >http://dx.doi.org/10.1007/978-3-642-36657-4_5</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-36657-4_5" target="_blank" >10.1007/978-3-642-36657-4_5</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Approximating Multivariable Functions by Feedforward Neural Nets

Popis výsledku v původním jazyce

Theoretical results on approximation of multivariable functions by feedforward neural networks are surveyed. Some proofs of universal approximation capabilities of networks with perceptrons and radial units are sketched. Major tools for estimation of rates of decrease of approximation errors with increasing model complexity are proven. Properties of best approximation are discussed. Recent results on dependence of model complexity on input dimension are presented and some cases when multivariable functions can be tractably approximated are described.

Název v anglickém jazyce

Approximating Multivariable Functions by Feedforward Neural Nets

Popis výsledku anglicky

Theoretical results on approximation of multivariable functions by feedforward neural networks are surveyed. Some proofs of universal approximation capabilities of networks with perceptrons and radial units are sketched. Major tools for estimation of rates of decrease of approximation errors with increasing model complexity are proven. Properties of best approximation are discussed. Recent results on dependence of model complexity on input dimension are presented and some cases when multivariable functions can be tractably approximated are described.

Druh

C - Kapitola v odborné knize

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název knihy nebo sborníku

Handbook on Neural Information Processing

ISBN

978-3-642-36656-7

Počet stran výsledku

39

Strana od-do

143-181

Počet stran knihy

499

Název nakladatele

Springer

Místo vydání

Berlin

Kód UT WoS kapitoly

—