dc.contributor.author |
Gago, Lumír
|
cze |
dc.contributor.author |
Doležel, Petr
|
cze |
dc.date.accessioned |
2017-05-11T10:46:23Z |
|
dc.date.available |
2017-05-11T10:46:23Z |
|
dc.date.issued |
2016 |
eng |
dc.identifier.isbn |
978-80-214-5365-4 |
eng |
dc.identifier.issn |
1803-3814 |
eng |
dc.identifier.uri |
http://hdl.handle.net/10195/67268 |
|
dc.description.abstract |
This article is focused on the comparison of the learning of an artificial neural network with a hyperbolic tangent activation function and an artificial neural network with a linear saturated activation function in hidden layers. The learning is performed by a Levenberg-Marquardt algorithm and hybrid differential evolution. For evaluating of learning characteristics, there is calculated a comprehensive set of statistical variables. The results are analysed and shown as a table for each experiment. An empirical result discussed at the end of the paper is, that the approximation qualities of both networks under examination are similar. |
eng |
dc.format |
p. 39-42 |
eng |
dc.language.iso |
eng |
eng |
dc.publisher |
Vysoké učení technické v Brně |
eng |
dc.relation.ispartof |
Mendel 2016 : 22nd International Conference on Soft Computing |
eng |
dc.rights |
Pouze v rámci univerzity |
eng |
dc.subject |
artificial neural network, activation function, Levenberg-Marquardt algorithm, differential evolution. |
eng |
dc.subject |
umělá neuronová síť |
cze |
dc.subject |
aktivační funkce |
cze |
dc.subject |
Levenbergův-Marquardtův algoritmus |
cze |
dc.subject |
diferenciální evoluce |
cze |
dc.title |
Possibilities of Piecewise-Linear Neural Network Training Using Levenberg-Marquardt Algorithm and Hybrid Differential Evolution |
eng |
dc.title.alternative |
Možnosti trénování po částech lineární umělé neuronové sítě pomocí Levenbergova-Marquardtova algoritmu a hybridní diferenciální evoluce |
cze |
dc.type |
ConferenceObject |
eng |
dc.description.abstract-translated |
Článek je zaměřen na porovnání aproximačních schopností dopředné vícevrstvé umělé neuronové sítě s hyperbolicko-tangenciálními aktivačními funkcemi ve skryté vrstvě vůči neuronové sítí s lineárními saturovanými aktivačními funkcemi. K porovnání jsou využity různé benchmarkové datové sady a dva přístupy ke trénování. K analýze výsledků byla použita řada statistických parametrů a je možné říci, že vzhledem k dosaženým výsledkům jsou aproximační schopnosti obou topologií podobné. |
cze |
dc.event |
Mendel 2016 : 22nd International Conference on Soft Computing (08.06.2016 - 10.06.2016) |
eng |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.project.ID |
SGS_2016_019/Speciální topologie umělé neuronové sítě jako aproximátor a klasifikátor |
eng |
dc.identifier.scopus |
2-s2.0-85014898685 |
|
dc.identifier.scopus |
2-s2.0-85014898685 |
|
dc.identifier.obd |
39877861 |
eng |