Product Multi-kernels for Sensor Data Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F15%3A00444960" target="_blank" >RIV/67985807:_____/15:00444960 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-19324-3_12" target="_blank" >http://dx.doi.org/10.1007/978-3-319-19324-3_12</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-19324-3_12" target="_blank" >10.1007/978-3-319-19324-3_12</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Product Multi-kernels for Sensor Data Analysis

Popis výsledku v původním jazyce

Regularization networks represent a kernel-based model of neural networks with solid theoretical background and a variety of learning possibilities. In this paper, we focus on its extension with multi-kernel units. In particular, we describe the architecture of a product unit network, and we propose an evolutionary learning algorithm for setting its parameters. The algorithm is capable to select different kernels from a dictionary and to set their parameters, including optimal split of inputs into individual products. The approach is tested on real-world data from sensor networks area.

Název v anglickém jazyce

Product Multi-kernels for Sensor Data Analysis

Popis výsledku anglicky

Regularization networks represent a kernel-based model of neural networks with solid theoretical background and a variety of learning possibilities. In this paper, we focus on its extension with multi-kernel units. In particular, we describe the architecture of a product unit network, and we propose an evolutionary learning algorithm for setting its parameters. The algorithm is capable to select different kernels from a dictionary and to set their parameters, including optimal split of inputs into individual products. The approach is tested on real-world data from sensor networks area.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

Artificial Intelligence and Soft Computing

ISBN

978-3-319-19323-6

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

11

Strana od-do

123-133

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Zakopane

Datum konání akce

12. 6. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000364537800012