This HTML5 document contains 30 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n11http://linked.opendata.cz/ontology/domain/vavai/cep/zivotniCyklusProjektu/
n13http://linked.opendata.cz/ontology/domain/vavai/cep/druhSouteze/
n7http://linked.opendata.cz/ontology/domain/vavai/cep/typPojektu/
n17http://linked.opendata.cz/ontology/domain/vavai/cep/hodnoceniProjektu/
dctermshttp://purl.org/dc/terms/
n2http://linked.opendata.cz/resource/domain/vavai/projekt/
n9http://linked.opendata.cz/resource/domain/vavai/subjekt/
n14http://linked.opendata.cz/ontology/domain/vavai/
n16http://linked.opendata.cz/ontology/domain/vavai/cep/duvernostUdaju/
skoshttp://www.w3.org/2004/02/skos/core#
rdfshttp://www.w3.org/2000/01/rdf-schema#
n12http://linked.opendata.cz/ontology/domain/vavai/cep/fazeProjektu/
n8http://linked.opendata.cz/ontology/domain/vavai/cep/obor/
n18http://linked.opendata.cz/ontology/domain/vavai/cep/statusZobrazovaneFaze/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n5http://linked.opendata.cz/resource/domain/vavai/projekt/GA201%2F99%2FP057/
xsdhhttp://www.w3.org/2001/XMLSchema#
n4http://linked.opendata.cz/ontology/domain/vavai/cep/
n19http://linked.opendata.cz/resource/domain/vavai/aktivita/
n6http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:GA201%2F99%2FP057
rdf:type
n14:Projekt
rdfs:seeAlso
http://www.isvav.cz/projectDetail.do?rowId=GA201/99/P057
dcterms:description
Po vyřešení hlavních otázek spojených s aproximačními schopnostmi dopředných neuronových sítí se důraz přesunuje na problémy složitosti. Praktické výsledky ukazují, že největším problémem je časová náročnost učícího procesu, který představuje nelineární optimalizační problém ve vysoce dimenzionálním prostoru parametrů sítě. Jednou z možností, jak snížit časovou složitost učení je popis redundantních parametrizací sítě realizujících stejné vstupně-výstupní funkce. Budeme se věnovat popisu funkčně ekvivalentních sítí pro různé architektury (RBF sítě, vícevrstvé perceptrony) a jejímu využití pro odvození nových učících algoritmů, které jsou schopny prohledávat redukované prostory parametrů. Jedním z typů takových algoritmů je např. modifikovaný genetický algoritmus. Prozkoumáme vliv redukce parametrického prostoru na časovou složitost učení a dané algoritmy realizujeme i prakticky, pokud možno v paralelním výpočetním prostředí, jež je pro tento typ algoritmů vhodné. After the main questions concerning approximation capabilities of feedforward networks have been solved the focus has shifted towards complexity problems. Practical results indicate that the time complexity of learning process-representing a non-linear optimization task in a high-dimensional network parameter space-is the biggest problem. One possibility to decrease time complexity is the description of redundant network parametrizations realizing the same I/O function. We will focus on the descriptionof functionally equivalent networks for various architectures (RBF networks, multilayer perceptrons) and its utilization in deriving of new learning algorithms that are able to scan reduced parameter spaces. One type of such an algorithm is e.g. the modified genetic algorithm. We will investigate the effect of parameter space reduction to time complexity of learning. The given algorithms will be practically realized, hopefully in a parallel environment which is suitable for this type of algorithms.
dcterms:title
Prostory parametrů a složitost učení neuronových sítí Parameter spaces and learning complexity of neural networks
skos:notation
GA201/99/P057
n4:aktivita
n19:GA
n4:celkovaStatniPodpora
n5:celkovaStatniPodpora
n4:celkoveNaklady
n5:celkoveNaklady
n4:datumDodatniDoRIV
2003-04-01+02:00
n4:druhSouteze
n13:VS
n4:duvernostUdaju
n16:S
n4:fazeProjektu
n12:747860
n4:hlavniObor
n8:BA
n4:hodnoceniProjektu
n17:V
n4:klicovaSlova
Neuvedeno.
n4:partnetrHlavni
n9:ico%3A67985807
n4:pocetKoordinujicichPrijemcu
0
n4:pocetPrijemcu
1
n4:pocetSpoluPrijemcu
0
n4:pocetVysledkuRIV
9
n4:pocetZverejnenychVysledkuVRIV
9
n4:sberDatUcastniciPoslednihoRoku
n6:2002
n4:sberDatUdajeProjZameru
n6:2002
n4:statusZobrazovaneFaze
n18:DUU
n4:typPojektu
n7:P
n4:vedlejsiObor
n8:BD
n4:zhodnoceni+vysledku+projektu+dodavatelem
Byly dosaženy výsledky o určitých typech neuronových sítí a souvisejících učících se algoritmů. Výstupy jsou články v kvalitních časopisech; jejich množství odpovídá rozsahu grantu.
n4:zivotniCyklusProjektu
n11:ZBKU