Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Classification with Pseudo Neural Networks Based On Evolutionary Symbolic Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F11%3A43866764" target="_blank" >RIV/70883521:28140/11:43866764 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Classification with Pseudo Neural Networks Based On Evolutionary Symbolic Regression

  • Popis výsledku v původním jazyce

    This research deals with a novel approach to classification. Classical artificial neural networks, where a relation between inputs and outputs is based on the mathematical transfer functions and optimized numerical weights, was an inspiration for this work. Artificial neural networks need to optimize weights, but the structure and transfer functions are usually set up before the training. There exist some evolutionary approaches, which help to set up the structure or to optimize weights in different ways than standard artificial neural networks do. The proposed method utilizes the symbolic regression for synthesis of a whole structure, i.e. the relation between inputs and output(s). For experimentation, Differential Evolution (DE) and Self Organizing Migrating Algorithm (SOMA) for the main procedure of analytic programming (AP) and DE as an algorithm for meta-evolution were used.

  • Název v anglickém jazyce

    Classification with Pseudo Neural Networks Based On Evolutionary Symbolic Regression

  • Popis výsledku anglicky

    This research deals with a novel approach to classification. Classical artificial neural networks, where a relation between inputs and outputs is based on the mathematical transfer functions and optimized numerical weights, was an inspiration for this work. Artificial neural networks need to optimize weights, but the structure and transfer functions are usually set up before the training. There exist some evolutionary approaches, which help to set up the structure or to optimize weights in different ways than standard artificial neural networks do. The proposed method utilizes the symbolic regression for synthesis of a whole structure, i.e. the relation between inputs and output(s). For experimentation, Differential Evolution (DE) and Self Organizing Migrating Algorithm (SOMA) for the main procedure of analytic programming (AP) and DE as an algorithm for meta-evolution were used.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

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

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2011

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    2011 International Conference on P2P, Parallel, Grid, Cloud and Internet Compting

  • ISBN

    978-0-7695-4531-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    396-401

  • Název nakladatele

    IEEE Operations Center

  • Místo vydání

    Piscataway

  • Místo konání akce

    Barcelona, Španělsko

  • Datum konání akce

    26. 10. 2011

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku