Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Intelligence Digital Image Watermark Algorithm Based on Artificial Neural Networks Classifier Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

MIMO Pseudo Neural Networks for Iris Data Classification

verfasst von : Zuzana Kominkova Oplatkova, Roman Senkerik

Erschienen in: Modern Trends and Techniques in Computer Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This research deals with a novel approach to classification. This paper deals with a synthesis of a complex structure which serves as a classifier. Compared to previous research, this paper synthesizes multi-input–multi-output (MIMO) classifiers. Classical artificial neural networks (ANN) were an inspiration for this work. The proposed technique creates a relation between inputs and outputs as a whole structure together with numerical values which could be observed as weights in ANN. The Analytic Programming (AP) was utilized as the tool of synthesis by means of the evolutionary symbolic regression. Iris data (a known benchmark for classifiers) was used for testing of the proposed method. For experimentation, Differential Evolution for the main procedure and also for meta-evolution version of analytic programming was used.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Utilization of the Discrete Chaotic Systems as the Pseudo Random Number Generators
Nächstes Kapitel Compliance Management Model for Interoperability Faults Towards Governance Enhancement Technology
Literatur
1.
Gurney, K.: An Introduction to Neural Networks. CRC Press, Boca Raton (1997). ISBN 1857285034
2.
Hertz, J., Kogh, A., Palmer, R.G.: Introduction to the Theory of Neural Computation. Addison-Wesley, Reading (1991)
3.
Wasserman, P.D.: Neural Computing: Theory and Practice. Coriolis Group (1980). ISBN 0442207433
4.
Fausett, L.V.: Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice Hall, Englewood Cliffs (1993). ISBN 9780133341867
5.
Fekiac, J., Zelinka, I., Burguillo, J.C.: A review of methods for encoding neural network topologies in evolutionary computation. In: ECMS 2011, Krakow, Poland. ISBN 978-0-9564944-3-6
6.
Back, T., Fogel, D.B., Michalewicz, Z.: Handbook of evolutionary algorithms. Oxford University Press, Oxford (1997). ISBN 0750303921
7.
Koza, J.R., et al.: Genetic Programming III; Darwinian Invention and Problem Solving. Morgan Kaufmann Publisher, Los Altos (1999). ISBN 1-55860-543-6
8.
Koza, J.R.: Genetic Programming. MIT Press, Cambridge (1998). ISBN 0-262-11189-6
9.
O’Neill, M., Ryan, C.: Grammatical Evolution. Evolutionary Automatic Programming in an Arbitrary Language. Kluwer Academic Publishers, Dordrecht (2003). ISBN 1402074441
10.
Zelinka, I., et al.: Analytical programming—A novel approach for evolutionary synthesis of symbolic structures. In: Kita, E. (ed.) Evolutionary Algorithms, InTech (2011). ISBN 978-953-307-171-8
11.
Oplatkova, Z.: Metaevolution: Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms. Lambert Academic Publishing, Saarbrücken (2009). ISBN 978-3-8383-1808-0
12.
Zelinka, I., Varacha, P., Oplatkova, Z.: Evolutionary synthesis of neural network. In: 12th International Conference on Softcomputing (Mendel 2006), Brno, Czech Republic, 31 May–2 June 2006, pp. 25–31. ISBN 80-214-3195-4
13.
Zelinka, I., Oplatkova, Z., Nolle, L.: Boolean symmetry function synthesis by means of arbitrary evolutionary algorithms-comparative study. Int. J. Simul. Syst. Sci. Technol. 6(9), 44–56 (2005). ISSN 1473-8031
14.
15.
16.
17.
Shekhawat, P., Dhande, S.S.: Building and iris plant data classifier using neural network associative classification. Int. J. Adv. Technol. 2(4), 491–506 (2011). ISSN 0976-4860
18.
Avci, M., Yildirim, T.: Microcontroller based neural network realization and iris plant classifier application. In: Proceedings of the Twelfth Turkish Symposium on Artificial Intelligence and Neural Networks (TAINN’03), Canakkale, Turkey, 2–4 July 2003
19.
Osselaer, S.: Iris data analysis using back propagation neural networks. J. Manuf. Syst. 13(4), 262 (2003)
20.
Chen, S., Fang, Y.: A new approach for handling iris data classification problem. Int. J. Appl. Sci. Eng. (2005). ISSN 1727-2394
21.
22.
23.
24.
25.
Ferreira, C.: Gene Expression Programming: Mathematical Modelling by an Artificial Intelligence (2006). ISBN 9729589054
26.
Lampinen, J., Zelinka, I.: New Ideas in Optimization—Mechanical Engineering Design Optimization by Differential Evolution, vol. 1, 20 p. McGraw-hill, London (1999). ISBN 007-709506-5
27.
Price, K., Storn, R.M., Lampinen, J.A.: Differential Evolution: A Practical Approach to Global Optimization, 1st edn. Natural Computing Series. Springer, Berlin (2005)
28.
29.
Oplatkova, Z., Senkerik, R.: Evolutionary synthesis of complex structures—Pseudo neural networks for the task of iris dataset classification. In: Zelinka, I., Chen, G., Rössler, O.E., Snasel, V., Abraham, A. (eds.) Nostradamus 2013: Prediction, Modeling and Analysis of Complex Systems, vol. 210, pp. 211–220. Advances in Intelligent Systems and Computing. Springer International Publishing, Switzerland (2013). doi:10.​1007/​978-3-319-00542-3_​22
Metadaten
Titel
MIMO Pseudo Neural Networks for Iris Data Classification
verfasst von
Zuzana Kominkova Oplatkova
Roman Senkerik
Copyright-Jahr
2014
Buch
Modern Trends and Techniques in Computer Science

Print ISBN: 978-3-319-06739-1

Electronic ISBN: 978-3-319-06740-7

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-06740-7_15

Premium Partner

    Bildnachweise