Еволюціонуюча радіально-базисна нейронна мережа та екстремальне навачання її параметрів
DOI:
https://doi.org/10.30837/bi.2018.2(91).02Ключові слова:
ЕВОЛЮЦІОНУЮЧА СИСТЕМА, САМООРГАНІЗАЦІЙНА КАРТА Т. КОХОНЕНА, ЯДЕРНА ФУНКЦІЯ, МЕТОД ЕКСТРЕМАЛЬНОГО НАВЧАННАнотація
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.
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.
