文献

J-GLOBAL ID：201702282692630744   整理番号：17A0406529

進行性演算パーセプトロン【Powered by NICT】

Progressive Operational Perceptrons

著者 (4件)： Kiranyaz Serkan (Department of Electrical Engineering, Qatar University, Qatar) ,  Ince Turker (Department of Electrical Engineering, Izmir University of Economics, Izmir, Turkey) ,  Iosifidis Alexandros (Tampere University of Technology, Department of Signal Processing, Tampere, Finland) ,  Gabbouj Moncef (Tampere University of Technology, Department of Signal Processing, Tampere, Finland)
資料名： Neurocomputing  (Neurocomputing)
巻： 224  ページ： 142-154  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： フィードフォワードの性能とロバスト性,完全結合人工ニューラルネットワーク(ANNs),またはいわゆる多層パーセプトロン(MLP)によく知られた限界と欠点がある。本研究では,生物学的ニューロンの一般化モデルと最終的に優れた多様性を達成するために異なる(非)線形演算子を持つニューロンから構成されていることを一般化された運用パーセプトロン(GOP)によりそれらを扱った。学習問題による自己組織化と深さ適応GOPを達成するために通常の逆伝搬(BP)を修飾した列車GOP,さらに提案した順次操作パーセプトロン(POPs)であった。POPsの最も重要な特性を同時に最適演算子セットを探索し各層を訓練個々にそれらの能力である。最終POPは,層によって形成された層と本論文では,この能力は深く,大きく複雑な形状でも従来のANNによる学習できないような最も挑戦的な学習問題を攻撃する最小ネットワーク深さを用いたPOPsを可能にすることを示した。実験結果は,POPsが問題サイズと非常に良くスケールアップでき,有意な利得を持つ実際のベンチマーク問題に優れた汎化性能を達成する可能性を持つことができることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： スケールアップ ,  ニューラルネットワーク ,  学習 ,  *パーセプトロン ,  利得 ,  多層パーセプトロン ,  自己組織化 ,  フィードフォワード ,  ベンチマーク ,  ニューロン ,  ネットワーク ,  ロバスト性 ,  汎化 ,  線形性 ,  *演算

著者キーワード (5件)： 人工ニューラルネットワーク ,  多層パーセプトロン ,  進行性演算パーセプトロン ,  ダイバーシチ ,  スケーラビリティ

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (1件)： パーセプトロン