Focusing neuron
| Autor: | Çam, İlker, Tek, Faik Boray |
|---|---|
| Přispěvatelé: | Işık Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Işık University, Faculty of Engineering, Department of Computer Engineering, Çam, İlker, Tek, Faik Boray |
| Jazyk: | turečtina |
| Rok vydání: | 2017 |
| Předmět: |
Artificial neural network
Signal processing Focusing neuron neural networks Focus position Neural nets Backpropagation Network Training process Topology Dogs Fully connected neural network Focusing neuron Cloud computing Focusing function Focusing Yapay sinir ağı Neurons Flexible-dynamic network topology Network topology Backpropagation algorithm Backpropagation algorithms Health care Image coding Data handling Focus aperture Neuron model Odaklanan nöron Focus positions Flexible dynamics Neural network topology Biological neural networks Focusing neuron model Neural networks |
| Popis: | Geleneksel yapay sinir ağında topoloji eğitim sırasında değişebilecek esnekliğe sahip değildir. Ağda her bir nöron ve bağımsız bağlantı katsayıları çözüm işlevinin bir parçasıdır. Bu bildiride önerdiğimiz odaklanabilir nöron birbirine bağımlı katsayıların çekildiği bir odaklayıcı işlevden yararlanır. Nöron odak pozisyonu ve açıklığını değiştirerek aktivasyon topladığı nöronları değiştirebilir. Bu özelliği sayesinde esnek ve dinamik bir ağ topolojisi oluşturabilir ve standart geriye yayılım algoritmasıyla eğitilebilir. Yapılan deneylerde odaklanabilir nöronlarla kurulan bir ağ yapısının, tümüyle bağlı yapay sinir ağına göre daha yüksek başarı elde ettiği gözlenmiştir. The traditional neural network topology is not flexible to change during the training process. Every neuron and it's independent weights in the network are part of the solution function. The proposed focusing neuron model utilizes inter-dependent weights produced by a focusing function. This neuron can change it's focus position and aperture. This property allows a flexible-dynamic network topology, which can be trained using conventional back-propagation algorithm. Our experiments show that focusing neuron neural networks achieve higher success than hilly connected neural networks. Isik University [BAP-16A202]; Ng VIDIA Hardware Grant scheme This research was supported supported by Isik University BAP-16A202 grant and Ng VIDIA Hardware Grant scheme. Publisher's Version |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|