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”

Pseudo Neural Networks for Iris Data Classification

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F14%3A43871643" target="_blank" >RIV/70883521:28140/14:43871643 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.7148/2014-0387" target="_blank" >http://dx.doi.org/10.7148/2014-0387</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.7148/2014-0387" target="_blank" >10.7148/2014-0387</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Pseudo Neural Networks for Iris Data Classification

  • Popis výsledku v původním jazyce

    This research deals with a novel approach to classification. Iris data was used for the experiments. Classical artificial neural networks, where a relation between inputs and outputs is based on the mathematical transfer functions and optimized numericalweights, 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. The proposed method utilizes the symbolic regression for synthesis of a whole structure, i.e. the relation between inputs and output(s). This paper differs from the previous approach where only one output pseudo node was used even for more classes. In this case, there were synthesized more node output equations as in classical artificial neural networks. The benchmark was iris data as in previous research. For experimentation, Differential Evolution (DE) for the main procedure and also for meta-evolution version of analytic programming (AP) was used.

  • Název v anglickém jazyce

    Pseudo Neural Networks for Iris Data Classification

  • Popis výsledku anglicky

    This research deals with a novel approach to classification. Iris data was used for the experiments. Classical artificial neural networks, where a relation between inputs and outputs is based on the mathematical transfer functions and optimized numericalweights, 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. The proposed method utilizes the symbolic regression for synthesis of a whole structure, i.e. the relation between inputs and output(s). This paper differs from the previous approach where only one output pseudo node was used even for more classes. In this case, there were synthesized more node output equations as in classical artificial neural networks. The benchmark was iris data as in previous research. For experimentation, Differential Evolution (DE) for the main procedure and also for meta-evolution version of analytic programming (AP) was used.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/ED2.1.00%2F03.0089" target="_blank" >ED2.1.00/03.0089: Centrum bezpečnostních, informačních a pokročilých technologií (CEBIA-Tech)</a><br>

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2014

  • 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

    28th European Conference on Modelling and Simulation

  • ISBN

    978-0-9564944-8-1

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    387-392

  • Název nakladatele

    ECMS

  • Místo vydání

    Nottingham

  • Místo konání akce

    Brescia

  • Datum konání akce

    27. 5. 2014

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku