Еволюціонуюча радіально-базисна нейронна мережа та екстремальне навачання її параметрів

Автор(и)

DOI:

https://doi.org/10.30837/bi.2018.2(91).02

Ключові слова:

ЕВОЛЮЦІОНУЮЧА СИСТЕМА, САМООРГАНІЗАЦІЙНА КАРТА Т. КОХОНЕНА, ЯДЕРНА ФУНКЦІЯ, МЕТОД ЕКСТРЕМАЛЬНОГО НАВЧАНН

Анотація

Запропоновано підхід до формування архітектури і навчання еволюціонуючої радіально-базисної нейронної мережі (RBFN), яка обробляє дані, що надходять в режимі online. Він складається з двох етапів. Перший з них базується на використанні самоорганізаційній карти Т. Кохонена (SOM), яка відповідає за управління кількістю нейронів RBFN і налаштування розташування центрів ядерних функцій в режимі самонавчання. Другий етап відповідає за її навчання із застосуванням методу екстремального навчання (ELM). Даний підхід дозволяє уникнути "прокляття розмірності" при формуванні RBFN, а також істотно підвищити швидкість її навчання.

Біографії авторів

Є.В. Бодянський, Харківський національний університет радіоелектроніки

Професор кафедри штучного інтелекту, науковий керівник ПНДЛ АСУ, член спеціалізованої вченої ради, член Президії НТР, IEEE Senior Member, доктор технічних наук, професор

К.Е. Петров , Харківський національний університет радіоелектроніки

Завідувач кафедри інформаційних управляючих систем, професор кафедри штучного інтелекту, член спеціалізованої вченої ради, доктор технічних наук, професор

А.А. Дейнеко, Харківський національний університет радіоелектроніки

Старший викладач кафедри штучного інтелекту, кандидат технічних наук

Посилання

Bifet A. Adaptive Stream Mining: Pattern Leaning and Mining from Evolving Data Streams / A. Bifet // IOS Press. − 2010. − 224 p.

Park J. Universal approximation using radial-basis-function networks / J. Park, I.W. Sandberg // Neural Computation. – 1991. – Vol. 3. – P. 246-257.

Angelov P. Evolving computational intelligence systems / P. Angelov, N. Kasabov // Proc. 1st Int. Workshop on Genetic Fuzzy Systems. – Granada, Spain, 2005. – P. 76-82.

Kohonen T. Self-Organizing Maps / T. Kohonen // Berlin: Springer-Verlag. − 1995. − 362 p.

Huang G.-B. Extreme Learning Machine: Theory and applications / G.-B. Huang, Q.-Y. Zhu, C.-K. Siew // Neurocomputing. − 2006. Vol. 70. P. 489-501.

Bodyanskiy Y.V. An evolving radial basis neural network with adaptive learning of its parameters and architecture / Y.V. Bodyanskiy, A.K. Tyshchenko, A.A. Deineko // Automatic Control and Computer Sciences. – 2015. – 49 (5). – P. 255-260.

Huang G.-B. Extreme Learning Machine with Randomly Assigned RBF Kernels. / G.-B. Huang, C.-K. Siew // International Journal of Information Technology. − 2005. – Vol. 11, No. 1. – P. 16-24.

Гласс, Л. От часов к хаосу. Ритмы жизни. / Л. Гласс, М. Мэкки – М.: Мир. – 1991. – 107 с.

Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности / В.А. Епанечников // Теория вероятностей и ее применение – 1968. – 14. – №1. – С. 156-161.

Айзерман М. А. Метод потенциальных функций в теории обучения машин. / М. А. Айзерман, Э.М. Браверман, Л.И Розоноэр // М.: Наука, 1970. – 384 с.

Parzen E. On the estimation of a probability density function and the mode / E. Parzen // Ann. Math. Statist. – 1962. – 38. – P. 1065-1076.

##submission.downloads##

Опубліковано

2018-12-26