Bithreshold neurons learning

• Autorzy: Geche F. , Kotsovsky V. , Batyuk A. , Mitsa A. , Gromaszek K.

Warianty tytułu

PL

Uczenie neuronów dwuprogowych

• Języki publikacji: EN

Abstrakty

EN

Artificial neural networks on the base of neural-like computational units have many applications and are intensively used for solving numerous important practical tasks. It is common that the threshold unit is incapable solving many rather easy recognition tasks. The using of neurons with more complicated activation functions allowed surmounting this constrain. Although there were multi-threshold neural units designs, the efficient learning techniques for multi-threshold neuron based neural networks weren't developed. The paper presents the study of simplest case of multi-threshold units, namely bithreshold neurons.

PL

Sztuczne sieci neuronowe jako podstawa neuronopodobnych jednostek obliczeniowych mają wiele zastosowań i są intensywnie wykorzystywane do rozwiązywania wielu ważnych zadań praktycznych. Oczywiste jest, że jednostka wykorzystująca progowanie nie jest w stanie rozwiązać wielu, raczej łatwych zadań rozpoznawania. Za pomocą neuronów z bardziej komplikowanymi funkcjami aktywacji możliwie staje się przezwyciężenie tego ograniczenia. Pomimo faktu, że opracowano neurony wielo-progowe, to brak było skutecznych technik ich uczenia. W artykule przedstawiono badania najprostszego przypadku multi-progowych jednostek, a mianowicie neuronów dwuprogowych.

Słowa kluczowe

EN

artificial neural networks; bithreshold neurons; training

PL

sztuczne sieci neuronowe; neurony dwuprogowe; metody uczenia

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2013
• Tom: Vol. 54, nr 8
• Strony: 70--72
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Geche F.

• Uzhgorod National University

autor

Kotsovsky V.

• Uzhgorod National University

autor

Batyuk A.

• Lviv National Polytechnic University

autor

Mitsa A.

• Uzhgorod National University

autor

Gromaszek K.

• Lublin University of Technology, Poland

Bibliografia

• [1] Haykin S., Neural Networks. A Comprehensive Foundation, Upper Saddle River, NJ: Prentice Hall, Inc., 1999.
• [2] Rosenblatt F., Principles of Neurodynamics, Washington, DC: Spartan Books, 1962.
• [3] Novikoff A., On convergence proof for perceptrons, Proceeding of Symposium on Mathematical Theory of Automata. Polytechnic Institute of Brooklyn, vol. XII, 1963, 615-622.
• [4] Minsky M. L., Papert S. A., Perceptrons, expanded editions, MIT Press, 1988.
• [5] Peled U., Simeone B., Polynomial-time algorithm for regular set covering and threshold synthesis, Discrete Applied Mathematics, vol. 12, 1985, 57-69.
• [6] Baharyev A. T., Optimization of multithreshold models, Problemy sluchaiynogo poiska, vol. 4, 1975, 209-214 (in Russian).
• [7] Rivest R., Learning decision lists, Machine Learning, vol. 2, 1987, 229-246.
• [8] Anthony M., Discrete Mathematics of Neural Networks, Philadelphia: SIAM, 2001.
• [9] Marchand M., M. Golea., On learning simple neural concepts: From halfspace intersection to neural decision lists, Networks: Computation in Neural Systems, vol. 4, 1993, 67-85.
• [10] Geche F., Batyuk A., Kotsovsky W., The properties of Boolean functions realizable on bithreshold neurons, Visnyk nacionalnogo universytetu «Lvivska politehnika» "Kompyuterna inzheneriya ta informaciyni tehnologii", vol. 438, 2001, 22-25 (in Ukrainian).
• [11] Blum A., Rivest R., Training a 3-Node Neural Network is NP-Complete, Neural Networks, vol. 5 (1), 1992, 117-127.
• [12] Garey M. R., Johnson D. S., Computers and Intractability, New York: W.H. Freeman, 1979.