文献

J-GLOBAL ID：202102234664618364   整理番号：21A2386456

動径基底関数ニューラルネットワークにおける系統的Boole充足可能性プログラミング【JST・京大機械翻訳】

Systematic Boolean Satisfiability Programming in Radial Basis Function Neural Network

著者 (6件)： Mansor Mohd. Asyraf (School of Distance Education, Universiti Sains Malaysia, Penang 11800 USM, Malaysia) ,  Jamaludin Siti Zulaikha Mohd (School of Mathematical Sciences, Universiti Sains Malaysia, Penang 11800 USM, Malaysia) ,  Kasihmuddin Mohd Shareduwan Mohd (School of Mathematical Sciences, Universiti Sains Malaysia, Penang 11800 USM, Malaysia) ,  Alzaeemi Shehab Abdulhabib (School of Mathematical Sciences, Universiti Sains Malaysia, Penang 11800 USM, Malaysia) ,  Basir Md Faisal Md (Department of Mathematical Sciences, Faculty of Science, Universiti Teknologi Malaysia, Johor Bahru 81310, Malaysia) ,  Sathasivam Saratha (School of Mathematical Sciences, Universiti Sains Malaysia, Penang 11800 USM, Malaysia)
資料名： Processes (Web)  (Processes (Web))
巻： 8  号： 2  ページ： 214  発行年： 2020年 
JST資料番号： U7264A  ISSN： 2227-9717  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 動径基底関数ニューラルネットワーク(RBFNN)は,非線形で,放射状に対称な活性化関数を持つ隠れ層処理ユニット(ニューロン)を含む人工ニューラルネットワーク(ANN)のクラスである。結果的に,RBFNNは,特にBoole Satifibility論理規則を扱うとき,最適隠れニューロンを近似する際の大きな計算誤差と困難に悩まされている。本論文では,論理ルールとしての系統的充足可能性プログラミングの潜在的効果,すなわち,RBFNNにおける出力重みとパラメータを最適化するための2つの充足可能性(2SAT)の包括的な研究を提示した。2SAT論理的規則は,産業自動化から複雑な管理システムまで様々な分野で広く適用されている。RBFNNのパラメータを得ることにより,RBFNNに対する計算負荷の低減における2SAT論理則の有効性を調べた。RBFNNと既存の方法の間で比較を行い,異なる数のニューロンを利用することによって最適ニューロン状態の探索におけるHopfieldニューラルネットワーク(HNN)に基づく。この比較をベンチマークとしてHNNを用いて行い,2SAT論理規則による提案RBFNNの最終出力を検証した。HNNの最終出力は,シミュレーションの最後に生成された最終状態の品質に関して表現される。シミュレーション動的は,プログラムによってランダムに作り出すシミュレーションデータを使用することによって実行した。2SAT論理的規則に関して,シミュレーションは,RBFNNがHNNモデルより2つの利点を有することを明らかにした:RBFNNは,最低誤差で正しい最終ニューロン状態を得ることができて,隠れ層の数に対してどんな近似も必要としなかった。さらに,本研究は,より体系的な命題論理規則を実行することによって,フィールドフィードフォワードニューラルネットワークにおける新しいパラダイムを提供した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  シミュレーション ,  対称性 ,  計算機シミュレーション ,  自動化 ,  管理システム ,  ニューロン ,  *ニューラルネットワーク ,  命題論理 ,  ベンチマーク ,  Hopfield模型
準シソーラス用語： 隠れ層 ,  活性化関数 ,  フィードフォワードニューラルネットワーク ,  計算負荷 ,  *動径基底関数ニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 動径基底関数ニューラルネットワーク ,  Hopfieldニューラルネットワーク ,  充足可能性 ,  最適化 ,  論理プログラミング

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

引用文献 (55件)：

• Moody, J.; Darken, C.J. Fast learning in networks of locally-tuned processing units. Neural Comput. 1989, 1, 281-294.
• Celikoglu, H.B. Application of radial basis function and generalized regression neural networks in non-linear utility function specification for travel mode choice modelling. Math. Comput. Model. 2006, 44, 640-658.
• Guo, Z.; Wang, H.; Yang, J.; Miller, D.J. A stock market forecasting model combining two-directional two-dimensional principal component analysis and radial basis function neural network. PLoS ONE 2015, 10, e0122385.
• Roshani, G.H.; Nazemi, E.; Roshani, M.M. Intelligent recognition of gas-oil-water three-phase flow regime and determination of volume fraction using radial basis function. Flow Meas. Instrum. 2017, 54, 39-45.
• Hjouji, A.; El-Mekkaoui, J.; Jourhmane, M.; Qjidaa, H.; Bouikhalene, B. Image retrieval and classication using shifted legendre invariant moments and radial basis functions neural networks. Procedia Comput. Sci. 2019, 148, 154-163.

タイトルに関連する用語 (4件)： 動径基底関数ニューラルネットワーク ,  系統 ,  充足可能性 ,  プログラミング