Sztuczne sieci neuronowe - podstawowe struktury sieciowe i algorytmy uczące

• Autorzy: Osowski S.

Warianty tytułu

EN

Artificial neural networks - basic network structures and learning algorithms

• Języki publikacji: PL

Abstrakty

PL

Praca przedstawia struktury i algorytmy uczenia trzech podstawowych rodzajów sieci neuronowych: sieci sigmoidalnej wielowarstwowej MLP, sieci RBF oraz SVM. Sieci te pełnią podobną rolę uniwersalnego aproksymatora zmiennych wielowymiarowych, różniąc się przede wszystkim rodzajem zastosowanych neuronów i algorytmem uczącym. Pokazano uniwersalność tych rozwiązań i ich użyteczność w wielu problemach praktycznych występujących w technice.

EN

The paper presents the overview of the basic structures and learning algorithms of the most typical supervised neural networks. To the most important belong multilayer perceptron, radial basis function network and support vector machine. All of them fulfill the role of the universal approximators. The paper shows the universal character of these solutions and their applicability in solving different problems of various characters.

Słowa kluczowe

PL

sieć neuronowa; algorytm uczenia sieci; MLP; SVM; RBF

EN

RBF; SVM; MLP; neural network; learning algorithm

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 8
• Strony: 1--8
• Opis fizyczny: Bibliogr. 22 poz., rys.

Twórcy

autor

Osowski S.

• Politechnika Warszawska, Wojskowa Akademia Techniczna,

Bibliografia

• 1. K. Brudzewski, S. Osowski, T. Markiewicz, J. Ulaczyk, Classification of gasoline with supplement of bio-products by means of an electronic nose and SVM neural network, Sensors and Actuators - Chemical, 2006, vol. 113, No 1, pp. 135-141
• 2. Chen S., Cowan C.F., Grant P.M., Orthogonal least squares ieammg algorithm for RBF networks, IEEE Trans. Neural networks 1991, vol. 2, pp. 302-309
• 3. Cichocki A., Amari S.I., Adaptive blind signal and image processing: Learning algoritms and applications, Wiley, 2003, N.Y.
• 4. Crammer K., Singer Y., On the learnability and design of output codes for multi-class problems, Computational Learning Theory, 2000, pp. 35-46
• 5. Diamantras K., Kung S.Y., Principal component neural networks, Wiley, 1996, N.Y.
• 6. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza Exit, 2000, tom 6
• 7. Haykin S., Neural networks, comprehensive foundation, Prentice Hall, 1999, New Jersey
• 8. Joachims T., Making large scale SVM learning practical, (in "Advances in kernel methods - support vector learning", (B. Scholkopf, C. Surges, A. Smola eds). MIT Press, Cambridge, 1998, pp. 41-56
• 9. Kohonen T.: Self-organizing maps, Springer Verlag, Berlin 1995
• 10. Mangasarian O.L., Lagrangian support vector machines, Journal of Machine Learning Research, 2001, pp. 161-177
• 11. T. Markiewicz, S. Osowski, W. Koztowski, J. Patera, Image processing for accurate recognition and counting of cells of the histological slides, Analytical and Quantitative Cytology and Histology Journal, vol. 28, 2006, pp. 281-292
• 12. Matlab, Neural network toolbox, User manual, Matlab Series, Natick, 2004
• 13. S. Osowski, Stodolski M., Bojarczak P., Fast second order learning algorithm for feedforward multilayer neural networks, Neural Networks, 1996, vol. 9, pp. 1583 -1597
• 14. Osowski S., Sieci neuronowe typu SVM w zastosowaniu do klasyfikacji wzorcow, Przegla.d Elektrotechniczny, 2002, No 4
• 15. S. Osowski, K. Siwek, Regularization of neural networks for improved load forecasting in the power system, IEE Proc. Generation, Transmission and Distribution, 2002, vol. 149, No 3, pp. 340-344
• 16. S. Osowski, L. Tran Hoai, T. Markiewicz, Support Vector Machine based expert system for reliable heart beat recognition, IEEE Trans, on Biomedical Engineering, 2004, vol. 51, pp. 582-589
• 17. Osowski S., Sieci neuronowe do przetwarzania informacji, OWPW, 2006
• 18. S. Osowski, K. Garanty, Forecasting of the daily meteorological pollution using wavelets and Support Vector Machine, Engineering Applications of Artificial Intelligence, vol. 20, No 6, 2007, pp. 745-755
• 19. Platt J., Fast training of SVM using sequential optimization, (in "Advances in kernel methods - support vector learning", Scholkopf B., Surges C., Smola A. eds), MIT Press, Cambridge, 1998, pp. 185-208
• 20. R. Tadeusiewicz, Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa, 1993
• 21. Scholkopf B, Smola A. Learning with Kernels. Cambridge: MIT Press. 2002
• 22. Vapnik V., Statistical learning theory, Wiley, N.Y., 1998