Special neural networks for finding symbolic relationships between empirical data

• Autorzy: Majewski J. , Wojtyna R. R.

Warianty tytułu

PL

Specjalne sieci neuronowe do wykrywania symbolicznych zależności między danymi empirycznymi

• Języki publikacji: EN

Abstrakty

EN

In this paper, a possibility of discovering laws governing empirical data by means of special type neural networks is discussed. We outline main idea and present new networks suitable for this task. The network presentation is combined with a preliminary classification of the applied symbolic relationships used to describe a given numerical data. We also show what operators can play a role of activation functions and where in the network they should be placed to make the network suitable to serve as the data law discoverer. Main advantages and drawbacks of the presented networks are outlined. A problem of successful learning networks of this type is also discussed and two learning examples demonstrated.

PL

W pracy omawiana jest możliwość odkrywania reguł rządzących danymi empirycznymi za pomocą sieci neuronowych specjalnego typu. Nakreślona jest główna idea i przedstawiono nowe sieci, odpowiednie do tego zadania. Prezentacja sieci jest połączona ze wstępną klasyfikacją stosowanych relacji symbolicznych, używanych do opisu posiadanych danych numerycznych. Zostało ponadto pokazane, jakie operatory mogą pełnić rolę funkcji aktywacji i gdzie w sieci powinny być umiejscowione, by sieć mogła służyć, jako wykrywacz reguł rządzących tymi danymi. Przedstawiono w skrócie najważniejsze zalety i wady prezentowanych sieci. Omówiono także problem skutecznego uczenia sieci tego typu i podano dwa przykłady takiego uczenia.

Słowa kluczowe

EN

discovering laws governing empirical data; symbolic description; neural networks

PL

odkrywanie reguł rządzących danymi empirycznymi; opis symboliczny; sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2011
• Tom: Vol. 52, nr 5
• Strony: 123--126
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Majewski J.

autor

Wojtyna R. R.

• University of Technology and Life Sciences, Bydgoszcz

Bibliografia

• [1] Durbin R., Rumelhart D.: Product Units: A Computationally Powerful and Biologically Plausible Extension to Backpropagation Networks. Neural Computation, Vol. 1, pp. 133-142, 1989.
• [2] Saito K., Nakano R.: Law Discovery using neural networks. Proc. of the 15th International Joint Conferenceon Artificial Intelligence (IJCAI97), pp.1 078-1083, 1997.
• [3] Tickle A. B., Andrews R., Golea M., Diederich J.: The Truth Will Come to Light: Directions and Challenges in Extracting the Knowledge Embedded Within Trained Artificial Neural Networks IEEE Trans. on Neural Networks, Vol. 9, No. 6, November 1998
• [4] LiMin Fu: Learning in Certainty-Factor-Based Multilayer Neura Networks for Classification. IEEE Trans, on Neural Networks, Vol. 9, No. 1, January 1998.
• [5] Washio T., Motoda H., Niwa Y.: Discovering Admissible Simultaneous Equation Models from Observed Data, LNCS 2167, Springer-Verlag, Berlin Heidelberg, pp. 539-551, 2001.
• [6] Majewski J., Wojtyna R.: Extracting symbolic function expressions by means of neural networks. Springer-Verlag, series: Ada-vances in intelligent and soft computing, pp. 323-330, 2010.
• [7] Majewski J., Wojtyna R.: Taking laws out of trained neural networks. IEEE Workshop SPA2010, Poznań 2010.