PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Poprawa procesu uczenia się sztucznej sieci neuronowej typu Neural Gas w kontekście realizacji sprzętowej

Autorzy
Identyfikatory
Warianty tytułu
EN
Improving learning process of the artificial neural network based on neural gas algorithm in the context of the hardware implementation
Języki publikacji
PL
Abstrakty
PL
W artykule przedstawiono pewną modyfikację procesu uczenia sieci Neural Gas. Modyfikacja polega na zmianie funkcji sąsiedztwa G, która wykorzystywana jest w procesie uczenia się sieci. Zaproponowana funkcja może być dobrą alternatywą do istniejących i znanych z literatury rozwiązań. Zalety jej wykorzystania, będą szczególnie widoczne w przypadku realizacji sieci NG w układach elektronicznych. Łatwość realizacji takiej funkcji (np. przez dekrementację jej wartości w czasie) w konsekwencji przełoży się na zmniejszenie czasu uczenia sieci i pobieranej przez nią energii.
EN
The paper presents a modification of the learning process of the Artificial Neural Network based on Neural Gas Algotithm. In this network changed the function of the neighbourhood G. The proposed function can be a good alternative to the existing and known from the literature solutions. The advantages of its use, will be particularly evident in the case of NG network implementation in electronic circuits.
Czasopismo
Rocznik
Tom
Strony
418--424, CD1
Opis fizyczny
Bibliogr. 20 poz., rys., tab.
Twórcy
autor
  • Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy
Bibliografia
  • [1] Singh S., Harini J, Surabhi B., R., A novel neural network based automated system for diagnosis of breast cancer from real time biopsy slides 2014 International Conference on Circuits, Communication, Control and Computing (I4C), India, 2014.
  • [2] Fukuoka Y., Fukuhara M., Ishida A., Stress assessment based on ECG using neural networks, Proceedings of the 18th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Amsterdam, The Netherlands, Vol. 5, 1996.
  • [3] Li Meng, Exchange rate forecasting based on neural network with revised weight, 2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC), Zhengzhou, China, 2011.
  • [4] Dissananayake B.M.M., Hendahewa C.H., Karunananda A.S, Artificial Neural Network approach to credit risk assessment, International Conference on Industrial and Information Systems (ICIIS 2007), Sri Lanka, 2007.
  • [5] Kaijun Xu, Guangming Zhang, Yang Xu, Intelligent landing control system for civil aviation aircraft with dual fuzzy neural network, 2011 eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Shanghai, China, Vol. 4, 2011.
  • [6] LinChih-Min, Chun-Fei Hsu, Neural-network hybrid control for antilock braking systems, IEEE Transactions on Neural Networks, Vol. 14, No. 2, 2003.
  • [7] Sutton J.C, III., Identification of electronic component faults using neural networks and fuzzy systems, Proceedings of the 1992 International Conference on Industrial Electronics, Control, Instrumentation, and Automation, Power Electronics and Motion Control, USA, 1992.
  • [8] Farooq U., Amar M., ulHaq E., Asad M.U., Atiq H.M., Microcontroller Based Neural Network Controlled Low Cost Autonomous Vehicle, 2010 Second International Conference on Machine Learning and Computing (ICMLC), India, 2010
  • [9] Garcia-Breijo E., Atkinson J., Garrigues J., Gil L., Ibanez J., Glanc M., Olguin C.,An electronic tongue for monitoring drinking waters using a fuzzy ARTMAP neural network implemented on a microcontroller, 2011 IEEE International Symposium on Industrial Electronics (ISIE), Gdańsk, Poland, 2011.
  • [10] Deotale P.D., Dole L., Design of FPGA based general purpose neural network, 2014 International Conference on Information Communication and Embedded Systems (ICICES), Madras, India, 2014.
  • [11] Orlowska-Kowalska T., Kaminski M., FPGA Implementation of the Multilayer Neural Network for the Speed Estimation of the Two-Mass Drive System, IEEE Transactions on Industrial Informatics, Vol. 7, No. 3, 2011.
  • [12] Martinetz T., Schulten K., A "neural gas" network learns topologies, Artificial Neural Networks, Elsevier, Amsterdam, 1991.
  • [13] Martinetz T., Berkovich S.G., Schulten K., "Neural gas" for vector quantization and its application to time-series prediction, IEEE Transactions on Neural Networks, Vo. 4, No. 4, 1993.
  • [14] Korbicz J., Obuchowicz A., UcińskiD. , Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994.
  • [15] Von der Malsburg C., Self-organisation of orientation sensitive cells in the striate cortex, Kybernetik, Vol. 14, pp: 85-100, 1973.
  • [16] Wilshow D. J., von der Malsburg C.,How patterned neural connections can be set up by self-organization, Proceedings of the Royal Society of London, seria B, Biological Sciences, Vol. 194, No. 1117, pp: 431-445, 1976.
  • [17] Kangas J., Kohonen T., Laaksonen J., Simula O., Venta O. Variants of self-organizing maps, International Joint Conference on Neural Networks (IJCNN), Vol. 2, pp: 517-522, USA, 1989.
  • [18] Kohonen T., The self-organizing map, Proceedings of the IEEE, Vol 78, No. 9, 1990.
  • [19] Kohonen T., Self-organizing maps, 3-ed, Springer Verlag, Berlin, Heidelberg , 2001.
  • [20] Talaśka T., Idźkowski M., Rydlewski A., Miciak. M, Wiatr R., Nowy, efektywny mechanism pobudzania martwych neuronów w sztucznych sieciach neuronowych Kohonena typu WTA, „Logistyka”, nr 6/2014.
Uwagi
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-adea8f10-49d7-43dc-9a5f-5b925578f4d4
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.