Letter on Convergence of In-Parameter-Linear Nonlinear Neural Architectures With Gradient Learnings

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F23%3A00353615" target="_blank" >RIV/68407700:21220/23:00353615 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/60076658:12310/21:43904125

Výsledek na webu

<a href="https://doi.org/10.1109/TNNLS.2021.3123533" target="_blank" >https://doi.org/10.1109/TNNLS.2021.3123533</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TNNLS.2021.3123533" target="_blank" >10.1109/TNNLS.2021.3123533</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Letter on Convergence of In-Parameter-Linear Nonlinear Neural Architectures With Gradient Learnings

Popis výsledku v původním jazyce

This letter summarizes and proves the concept of bounded-input bounded-state (BIBS) stability for weight convergence of a broad family of in-parameter-linear nonlinear neural architectures (IPLNAs) as it generally applies to a broad family of incremental gradient learning algorithms. A practical BIBS convergence condition results from the derived proofs for every individual learning point or batches for real-time applications.

Název v anglickém jazyce

Letter on Convergence of In-Parameter-Linear Nonlinear Neural Architectures With Gradient Learnings

Popis výsledku anglicky

This letter summarizes and proves the concept of bounded-input bounded-state (BIBS) stability for weight convergence of a broad family of in-parameter-linear nonlinear neural architectures (IPLNAs) as it generally applies to a broad family of incremental gradient learning algorithms. A practical BIBS convergence condition results from the derived proofs for every individual learning point or batches for real-time applications.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20301 - Mechanical engineering

Projekt

<a href="/cs/project/EF16_019%2F0000826" target="_blank" >EF16_019/0000826: Centrum pokročilých leteckých technologií</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název periodika

IEEE Transactions on Neural Networks and Learning Systems

ISSN

2162-237X

e-ISSN

2162-2388

Svazek periodika

34

Číslo periodika v rámci svazku

8

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

4

Strana od-do

—

Kód UT WoS článku

000732275600001

EID výsledku v databázi Scopus

2-s2.0-85121379463