nach oben

Optical Memory and Neural Networks

Erschienen in:

01.01.2020

Multi-Start Method with Cutting for Solving Problems of Unconditional Optimization

verfasst von: V. A. Kostenko

Erschienen in: Optical Memory and Neural Networks | Ausgabe 1/2020

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

In the present paper, we present a multi-start method with dynamic cutting of “unpromising” starts of locally optimal algorithms for solving continuous unconditional optimization problems. We also describe our results of testing of the proposed method for solving problems of feed-forward neural network training.

Vorheriger Artikel Computation-Efficient Face Recognition Algorithm Using a Sequential Analysis of High Dimensional Neural-Net Features

Nächster Artikel Score Prediction Model Based on Neural 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

Rumelhart, D., Hinton, G., and Williams, R., Learning internal representation by error propagation, in Parallel Distributed Processing, Cambridge, MA: MIT Press, 1986, vol. 1, pp. 318–362.CrossRef

Parker, D., Learning logic, in Invention Report S81-64, File 1, Stanford, CA: Stanford University, 1982.

Werbos, P., Beyond regression: New tools for prediction and analysis in the behavioral sciences, Master’s Thesis, Harvard University, 1974.

Bartsev, S.I. and Okhonin, V.A., Adaptive information processing networks, in Preprint IF SB USSR, Krasnoyarsk, 1986, no. 59.

Hagan, M. and Menhaj, M., Training feedforward networks with the Marquardt algorithm, IEEE Trans. Neural Networks, 1994, vol. 5, no. 6, pp. 989–993.CrossRef

Zhiglyavskii, A.A. and Zhilinskas, A.G., Metody poiska global’nogo ekstremuma (Methods for Global Extremum Search), Moscow: Nauka, 1991.

Markin, M.I., The choice of the initial approximation in training a neural network using local optimization methods, Proceedings of the Second All-Russian Scientific and Technical Conference Neuroinformatics-2000, Moscow, 2000, part 1.

Markin, M.I., About one method of increasing the efficiency of learning a direct distribution neural network, Software Systems and Tools: Thematic Collection of the VMiK Faculty of Lomonosov Moscow State University, Moscow, 2000, no. 1, pp. 87–97.

Nguyen, D. and Widrow, B., Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights, Proceedings of the International Joint Conference on Neural Networks, 1990, vol. 3, pp. 21–26.

10.

Osowski, S., New approach to selection of initial values of weights in neural function approximation, Electron. Lett., 1993, vol. 29, pp. 313–315.CrossRef

11.

Yam, J.Y.F. and Chow, T.W.S., A weight initialization method for improving training speed in feedforward neural network, Neurocomputing, 2000, vol. 30, no. 1, pp. 219–232.CrossRef

12.

Wasserman, P.D., Neural Computing: Theory and Practice, Coriolis Group, 1989.

13.

Fahlman, S., Faster-learning variations on back-propagation: An empirical study, Proceedings of the 1988 Connectionist Models Summer School, 1989, pp. 38–51.

14.

Riedmiller, M. and Braun, H., A direct adaptive method for faster backpropagation learning: The RPROP algorithm, Proceedings of the IEEE International Conference on Neural Networks 1993, San Francisco, 1993.

15.

Minoux, M., Mathematical Programming: Theory and Algorithms, Wiley, 1986.MATH

Titel: Multi-Start Method with Cutting for Solving Problems of Unconditional Optimization
verfasst von: V. A. Kostenko
Publikationsdatum: 01.01.2020
Verlag: Pleiades Publishing
Erschienen in: Optical Memory and Neural Networks / Ausgabe 1/2020
Print ISSN: 1060-992X
Elektronische ISSN: 1934-7898
DOI: https://doi.org/10.3103/S1060992X20010099

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Weitere Artikel der Ausgabe 1/2020

The Research about Recurrent Model-Agnostic Meta Learning

Score Prediction Model Based on Neural Network

Image Processing for Analysis of Bio-Liquid Films

Computation-Efficient Face Recognition Algorithm Using a Sequential Analysis of High Dimensional Neural-Net Features

Optimized Extreme Learning Clustering and Orthogonally Projected User Grouping for Online Social Networks

Radial-Basis Function Neural Network Synthesis on the Basis of Decision Tree