About: Complexity of continuous models of neurocomputing

Facets (new session)
Description
Metadata
Settings
- owl:sameAs
- Inference Rule:

About: Complexity of continuous models of neurocomputing Goto Sponge NotDistinct Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Projekt, within Data Space : linked.opendata.cz associated with source document(s)

Attributes	Values
rdf:type	http://linked.opendata.cz/ontology/domain/vavai/Projekt
rdfs:seeAlso	http://www.isvav.cz/projectDetail.do?rowId=IAA2030602
Description	Complexity of neural networks will be characterized in mathematical terms of estimates of rates of convergence in approximation of continuous and measurable functions. For networks with various types of units (e.g., perteptrons with various types of real and complex activation functions, radial-basis-function units with various types of kernels) and architecture (e.g., multilayer or cascade) rates of approximaation will be studied in dependence on the number of the network connections and units and the size of the network parameters. Consequences of theoretical results will be formulated to help to develop a systematic design procedure for continuous neural network modelling. (en) Složitost neuronových sítí bude matematicky charakterizována pomocí odhadů rychlosti konvergence při aproximaci spojitých a měřitelných funkcí. Pro sítě s různými typy jednotek (např. perceptrony s různými reálnými a komplexními aktivačními funkcemi, radiální jednotky s různými typy jádrových funkcí) a různými typy architektur (např. vrstevnaté, kaskádové) budou rychlosti konvergence odhadovány v závislosti na počtu spojů a jednotek sítě a velikosti parametrů. Budou využity pojmy a metody teorie aproximací funkcí a funkcionální analýzy. Důsledky teoretických výsledků budou formulovány jako příspěvek k vytvoření systematické metodologie návrhu spojitých modelů neuronových sítí.
Title	Complexity of continuous models of neurocomputing (en) Složitost spojitých modelů neuronových sítí
skos:notation	IAA2030602
http://linked.open...avai/cep/aktivita	Grants of distinctly investigative character focused on the sphere of research pursued at present particularly in the Academy of Sciences of the Czech Republic
http://linked.open...kovaStatniPodpora	http://linked.opendata.cz/resource/domain/vavai/projekt/IAA2030602/celkovaStatniPodpora
http://linked.open...ep/celkoveNaklady	http://linked.opendata.cz/resource/domain/vavai/projekt/IAA2030602/celkoveNaklady
http://linked.open...ep/duvernostUdaju	S - Úplné a pravdivé údaje nepodléhající ochraně podle zvláštních právních předpisů
http://linked.open.../cep/fazeProjektu	427059
http://linked.open...ai/cep/hlavniObor	BA - Obecná matematika
http://linked.open...hodnoceniProjektu	V - Vynikající výsledky (s mezinárodním významem apod.). Zároveň byly splněny cíle a předpokládané výsledky uvedené ve smlouvě / rozhodnutí o poskytnutí podpory.
http://linked.open...ep/partnetrHlavni	Ústav informatiky AV ČR, v.v.i.
http://linked.open...inujicichPrijemcu	0 (xsd:int)
http://linked.open...cep/pocetPrijemcu	1 (xsd:int)
http://linked.open...ocetSpoluPrijemcu	0 (xsd:int)
http://linked.open.../pocetVysledkuRIV	17 (xsd:int)
http://linked.open...enychVysledkuVRIV	17 (xsd:int)
http://linked.open...iciPoslednihoRoku	1999
http://linked.open...atUdajeProjZameru	1999
http://linked.open...usZobrazovaneFaze	DUU
http://linked.open...ai/cep/typPojektu	P - Projekt výzkumu a vývoje financovaný ze státního rozpočtu
http://linked.open...jektu+dodavatelem	Charakterizace výpočetních schopností spojitých modelů neuronových sítí na základě různých typů měr složitosti architektur těchto sítí. Redukce složitosti algoritmů učení neuronových sítí. (cs)
http://linked.open...tniCyklusProjektu	ZBKU
is http://linked.open...vavai/riv/projekt of	Parallelizing Self-Organizing Maps. Yet Another Genetic Algorithm for Feed-forward Neural Networks. Rates of Approximation of Multivariable Functions by On-Hidden-Layer Neural Networks. Representations and Rates of Approximation of Real-Valued Boolean Functions by Neural Networks. Upper Bounds on Rates of Approximation of Real-Valued Boolean Functions by Neural Networks. Best Approximation by Heaviside Perceptron Networks. Geometry and Topology of Continuous Best and Near Best Approximations. Algorithm of Incremental Approximation Using Variation of a Function with Respect to a Subset. Canonical Genetic Learning of RBF Networks is Faster. Back Propagation in Realistic Parallel Environment. Approximace funkcí neuronovými sítěmi. Feedforward Networks with One Hidden Layer and Their Rates of Approximation. Approximation by Neural Networks is not Continuous. Dimension-independent Rates of Approximation by Neural Network. N/A Trade-off Between the Size of Weights and the Number of Hidden Units in Feedforward Networks. Dimension-Independent Rates of Approximation by Neural Networks.
is http://linked.open...vavai/cep/projekt of	http://linked.opendata.cz/resource/domain/vavai/cep/ucast/IAA2030602/1996/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/IAA2030602/1997/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/IAA2030602/1998/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/IAA2030602/1999/ico%3A67985807

Faceted Search & Find service v1.16.118 as of Jun 21 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 58 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software