Tác giả

Lê Xuân Cầu 1

Đơn vị công tác

Trung tâm tư liệu Khí tượng Thủy văn

Tóm tắt

Vấn đề tìm nút ẩn tối ưu của ANN rất quan trọng và khó khăn trong nghiên cứu ANN và trong việc áp dụng ANN để giải các bài toán kỹ thuật. Cho đến nay, việc tìm số nút ẩn tối ưu thường được thực hiện bằng thực nghiệm. Do đó, nó càng khó khăn đối với các ANN lớn với hàng trăm, hàng nghìn nút ẩn. Bài báo này sẽ trình bày kết quả số trị của việc áp dụng lý thuyết “Cực tiểu hoá mạo hiếm theo cấu trúc (SRM)” để giải quyết vấn đề trên. SRM có thể dùng để phát triển một loạt các mô hình phi tuyến với độ phức tạp và dung lượng tăng dần. SRM dùng để đánh giá thể hiện tổng quan của mô hình đối với dữ liệu chưa biết.

Từ khóa

Thần kinh , nhân tạo , lý thuyết

Trích dẫn bài báo

Lê Xuân Cầu. Tìm số nút ẩn tối ưu của mạng thần kinh nhân tạo (ANN) bằng lý thuyết cục tiêu hóa mạo hiểm theo cấu trúc (SRM) .Tạp chí khí tượng thủy văn 1999, 464, 33-40

Tài liệu tham khảo

1. Barlett, Vapnik-Chervonenkis. Dimention bounds for two and three-layer networks. Neural Computation 5(3): 371-373, 1993.
2. L. X. Cau. Using residual method, Cubic Splines and Structural theory for constructing Non-linear multiple regression.- Journal of Hydrology and Meteorology, 4(424), 1996.
3. L.x. Cầu. ứng dụng của mạng thần kinh nhân tạo (ANN) xử lý dữ liệu khí tượng thuỷ văn.- Tạp chí Khí tượng Thuỷ văn, 4(460), 1999.
4. Guyon, V. Vapnik, B. Boser, L. Bottou, and s. A. Solla. Structural Risk Minimization for Character Recognition.- Advances in Neural Information Processing System 4, ed. Moody, 1992.
5. Haussler. Decision theoretic generalisations of the PAC model for neural net and another learning applications.- Inform. Comput., 100(l):78-150, Sept. 1992.
6. Mackey, J. c. David. A practical Bayesian Framwork for Back-propagation. -Neural computation 4(3): 448-472, 1992.
7. J. E. Moody. Note on Generalisation, Reglarization an Architecture selection in Non-linear learning system. In First IEEE-SP workshop on Neural Networks for Signal Processing. New York:IEEE Computer Society Press, 1991.
8. V.N. Vapnik. Estimation of dependences based on empirical data.- Springer-Verlag, New York, 1982.
9. V.N. Vapnik. Principle of Risk Minimisation for learning theory.- Advances in Neural Information Processing System 4, ed. Moody, 1992.
10. V. N. Vapnik. The Nature of Statistical Learning Theory.- Springer, New York, 1995.
11. Vapnik and A. Ja. Chervonenkis. 'Necessary and sufficient conditions for consistency of the method of empirical risk minimization'[in Russian].- Yearbook of the Academy of Sciences of the USSR on Recognition, Classification, and forecasting, 2, 217-249, Nauka ( Moscow ), 1989.