Warianty tytułu
Języki publikacji
Abstrakty
Dobry algorytm uczenia powinien więc, obok szacowania odpowiednich wartości wag neuronów, dążyć także do minimalizowania liczby obliczeń potrzebnych do osiągnięcia tego celu i tym samym skracania czasu jego wykonywania. Fundamentem i punktem wyjścia wielu późniejszych modyfikacji jest klasyczny algorytm wstecznej propagacji błędu - EBP (Error Back Propagation) oraz momentowa metoda wstecznej propagacji błędu - MEBP (Momentum Error Back Propagation). Wymienione algorytmy są sparametryzowane w pierwszym przypadku za pomocą współczynnika uczenia, a w drugim dodatkowo przez współczynnik momentu, których wartości są stałe w ciągu całego procesu uczenia. (fragment tekstu)
Słowa kluczowe
Rocznik
Strony
323--333
Opis fizyczny
Twórcy
autor
- Uniwersytet Łódzki
Bibliografia
- Biocybernetyka i inżynieria biomedyczna (2000). Red. M. Nałęcz. T. VI. Sieci neuronowe. Red. W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz. Akademicka Oficyna Wydawnicza EXIT, Warszawa.
- Gajda J.B., Gustafson C.H. (1999). EMIL - An Econometric Macro Model of Sweden Department of Economics, Örebro University, Working Paper No. 7.
- Gajda J.B. (2001). Prognozowanie i symulacja a decyzje gospodarcze. Wydawnictwo C.H. Beck, Warszawa.
- Neural Network FAQ (newsgroup comp.ai.neural-nets). (2003). Ed. W.S. Sarle. SAS Institute, 1997-2002. ftp://ftp.sas.com/pub/neural/FAQ.html.
- Rośczak P. (2004). Implementacja i wykorzystanie wielowarstwowej sieci perceptronowej w modelowaniu makroekonomicznym. Uniwersytet Łódzki, Łódź 2003, http://pawelrosczak.republika.pl/mlp/.
- Wykorzystanie sztucznych sieci neuronowych w modelowaniu ekonomicznym. (2001). Red. J. Siedlecki. Akademia Ekonomiczna, Wrocław.
- Zielinski J.S., Bartkiewicz W., Czajka R., Gontar Z., Jęczkowska B., Pamuła A. (2000). Inteligentne systemy w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171201751