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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Preliminary Study on Kinematic Analysis of Human Hand Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Modeling of Hidden Layer Architecture in Multilayer Artificial Neural Networks

verfasst von : Mihirini Wagarachchi, Asoka Karunananda

Erschienen in: Artificial Intelligence

Verlag: Springer Singapore

Einloggen

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

search-config
loading …

Abstract

A generated solution for an artificial neural network (ANN) may result in complex computations of neural networks, deployment, and usage of trained networks due to its inappropriate architecture. Therefore, modeling the hidden layer architecture of artificial neural networks remains as a research challenge. This paper presents a solution to achieve the hidden layer architecture of artificial neural networks which is inspired by some facts of neuroplasticity. The proposed method has two phases. First, it determines the number of hidden layers for the best architecture and then removes unnecessary hidden neurons from the network to enhance the performance. Experimental results in several benchmark problems show that the modified network shows better generalization than the original network.

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 Locating the Position of a Cell Phone User Using GSM Signals
Nächstes Kapitel A Novel Hybrid Back Propagation Neural Network Approach for Time Series Forecasting Under the Volatility
Literatur
1.
Liu, Y., Starzyk, J.A., Zhu, Z.: Optimizing number of hidden neurons in neural networks. EeC 1(1), 6 (2007)
2.
Amini, J.: Optimum learning rate in back-propagation neural network for classification of satellite images (IRS-1D). Sci. Iran. 15(6), 558–567 (2008)
3.
Castellano, G., Fanelli, A.M., Pelillo, M.: An iterative pruning algorithm for feedforward neural networks. IEEE Trans. Neural Netw. 8(3), 519–531 (1997)CrossRef
4.
Lippmann, R.: An introduction to computing with neural nets. IEEE ASSP Mag. 4(2), 4–22 (1987)CrossRef
5.
LeCun, Y.: Generalization and network design strategies. In: Connectionism in Perspective, vol. 19, pp. 143–155. Elsevier, Amsterdam (1989)
6.
Herculano-Houzel, S.: The remarkable, yet not extraordinary, human brain as a scaled-up primate brain and its associated cost. Proc. Natl. Acad. Sci. 109(Suppl. 1), 10661–10668 (2012)CrossRef
7.
Sousa, A.M., Meyer, K.A., Santpere, G., Gulden, F.O., Sestan, N.: Evolution of the human nervous system function, structure, and development. Cell 170(2), 226–247 (2017)CrossRef
8.
Wagarachchi, N.M., Karunananda, A.S.: Optimization of multi-layer artificial neural networks using delta values of hidden layers. In: IEEE Symposium on Computational Intelligence, Cognitive Algorithms, Mind, and Brain, pp. 80–86 (2013)
9.
10.
Pascual-Leone, A., Amedi, A., Fregni, F., Merabet, L.B.: The plastic human brain cortex. Annu. Rev. Neurosci. 28, 377–401 (2005)CrossRef
11.
Eggermont, J.J.: The Correlative Brain: Theory and Experiment in Neural Interaction. Springer, New York (1990)CrossRef
12.
Chrol-Cannon, J., Jin, Y.: Computational modeling of neural plasticity for self-organization of neural networks. BioSystems 125, 43–54 (2014)CrossRef
13.
Wells, R.B.: Cortical neurons and circuits: a tutorial introduction. Unpublished Paper (2005) www Mrc Uidaho Edu
14.
Mountcastle, V.B.: The columnar organization of the neocortex. Brain 120(4), 701–722 (1997)CrossRef
15.
Thomson, A.M.: Neocortical layer 6, a review. Front. Neuroanat. 4, 13 (2010)
16.
Shaffer, J.: Neuroplasticity and positive psychology in clinical practice: a review for combined benefits. Psychology 3(12), 1110 (2012)CrossRef
17.
18.
LeCun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015)CrossRef
19.
Hinton, G.E., Osindero, S., Teh, Y.-W.: A fast learning algorithm for deep belief nets. Neural Comput. 18(7), 1527–1554 (2006)MathSciNetCrossRef
20.
Wagarachchi, M., Karunananda, A.: Optimization of artificial neural network architecture using neuroplasticity. Int. J. Artif. Intell. 15(1), 112–125 (2017)
21.
Wagarachchi, N.M., Karunananda, A.S.: Novel technique for optimizing the hidden layer architecture in artificial neural networks. Am. Int. J. Res. Sci. Technol. Eng. Math. 4(1), 1–6 (2013)
22.
Wagarachchi, N.M., Karunananda, A.S.: Towards a theoretical basis for modelling of hidden layer architecture in artificial neural networks. In: 2nd International Conference on Advances in Computing, Electronics and Communication, pp. 47–52 (2014)
23.
Prechelt, L.: PROBEN 1: a set of benchmarks and benchmarking rules for neural network training algorithms. Univ., Fak. für Informatik (1994)
Metadaten
Titel
Modeling of Hidden Layer Architecture in Multilayer Artificial Neural Networks
verfasst von
Mihirini Wagarachchi
Asoka Karunananda
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
Artificial Intelligence

Print ISBN: 978-981-13-9128-6

Electronic ISBN: 978-981-13-9129-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-13-9129-3_5