| Identifikační kód |
RIV/67985807:_____/13:00396949 |
| Název v anglickém jazyce |
Capabilities of Radial and Kernel Networks |
| Druh |
D - Stať ve sborníku |
| Jazyk |
eng - angličtina |
| Obor - skupina |
I - Informatika |
| Obor |
IN - Informatika |
| Rok uplatnění |
2013 |
| Kód důvěrnosti údajů |
S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
| Počet výskytů výsledku |
2 |
| Počet tvůrců celkem |
1 |
| Počet domácích tvůrců |
1 |
| Výčet všech uvedených jednotlivých tvůrců |
Věra Kůrková (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 9769439) |
| Popis výsledku v anglickém jazyce |
Originally, artificial neural networks were built from biologically inspired units called perceptrons. Later, other types of units became popular in neurocomputing due to their good mathematical properties. Among them, radial-basis-function (RBF) units and kernel units became most popular. The talk will discuss advantages and limitations of networks with these two types of computational units. Higher flexibility in choice of free parameters in RBF will be compared with benefits of geometrical propertiesof kernel models allowing applications of maximal margin classification algorithms, modelling of generalization in learning from data in terms of regularization, and characterization of optimal solutions of learning tasks. Critical influence of input dimension on behavior of these two types of networks will be described. General results will be illustrated by the paradigmatic examples of Gaussian kernel and radial networks. |
| Klíčová slova oddělená středníkem |
artificial neural networks; radial-basis-function; kernel units; advantages and limitations of networks; Gaussian kernel and radial networks |
| Stránka www, na které se nachází výsledek |
- |
| Odkaz na údaje z výzkumu |
- |