HEAL DSpace

Initialisation improvement in engineering feedforward ANN models

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Krimpenis, A en
dc.contributor.author Vosniakos, G en
dc.date.accessioned 2014-03-01T02:49:57Z
dc.date.available 2014-03-01T02:49:57Z
dc.date.issued 2005 en
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/34816
dc.relation.uri http://www.informatik.uni-trier.de/~ley/db/conf/esann/esann2005.html#KrimpenisV05 en
dc.relation.uri http://www.dice.ucl.ac.be/Proceedings/esann/esannpdf/es2005-21.pdf en
dc.subject Artificial Neural Network en
dc.subject Experimental Data en
dc.subject Model Building en
dc.subject Multiple Linear Regression en
dc.subject Training Algorithm en
dc.title Initialisation improvement in engineering feedforward ANN models en
heal.type conferenceItem en
heal.publicationDate 2005 en
heal.abstract Any feedforward artificial neural network (ANN) training procedure begins with the initialisation of the connection weights' values. These initial values are generally selected in a random or quasi-random way in order to increase training speed. Nevertheless, it is common practice to initialize the same ANN architecture in a repetitive way in order for satisfactory training results to be achieved. This en
heal.journalName The European Symposium on Artificial Neural Networks en


Αρχεία σε αυτό το τεκμήριο

Αρχεία Μέγεθος Μορφότυπο Προβολή

Δεν υπάρχουν αρχεία που σχετίζονται με αυτό το τεκμήριο.

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής