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
—