개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2001.12
- 수록면
- 675 - 679 (5page)
이용수
초록· 키워드
오류제보하기
In this paper, we present a new competitive learning algorithm called Dynamic Competitive Learning (DCL). DCL is a supervised learning method that dynamically generates output neurons and initializes automatically the weight vectors from training patterns. It introduces a new parameter called LOG (Limit of Grade) to decide whether an output neuron is created or not If the class of at least one among the LOG number of nearest output neurons is the same as the class of the present training pattern, then DCL adjusts the weight vector associated with the output neuron to learn the pattern. If the classes of all the nearest output neurons are different from the class of the training pattern, a new output neuron is created and the given training pattern is used to initialize the weight vector of the created neuron. The proposed method is significantly different from the previous competitive learning algorithms in the point that the selected neuron for learning is not limited only to the winner and the output neurons are dynamically generated during the learning process. In addition, the proposed algorithm has a small number of parameters, which are easy to be determined and applied to real-world problems. Experimental results for pattern recognition of remote sensing data and handwritten numeral data indicate the superiority of DCL in comparison to the conventional competitive learning methods.
목차
Abstract
1. Introduction
2. DCL Neural Network
3. Pattern Recognition of Remote Sensing Data
4. Handwritten Numeral Recognition
5. Conclusions
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
가변적 output layer를 이용한 LVQ 기반 물체 분류
대한전기학회 학술대회 논문집
2007 .10
-
Effect of number of hidden neurons on learning in large-scale layered neural networks
제어로봇시스템학회 국제학술대회 논문집
2009 .08
-
0.35㎛ CMOS 공정을 이용한 Integrate and Fire Neuron model 구현
대한전자공학회 학술대회
2007 .07
-
0.35 ㎛ CMOS 공정을 이용한 Integrate and Fire Neuron model 구현
대한전자공학회 학술대회
2007 .07
-
심층 신경망 압축을 위한 중복뉴런 제거 기법
대한전자공학회 학술대회
2017 .11
-
동적 output neuron을 이용한 LVQ 기반 물체 분류
한국지능시스템학회 학술발표 논문집
2007 .11
-
A Study on New Control Mechanisms of Memory
대한전자공학회 학술대회
1992 .10
-
A Novel Nonlinear Synapse Neuron Model : Wavelet Neuron
한국지능시스템학회 학술발표 논문집
1997 .11
-
신경세포 분석을 위한 디지털 신경세포 영상의 트리 구조화 방법
한국정보과학회 학술발표논문집
2010 .06
-
0.5 ㎛ CMOS 공정을 이용한 전류모드 신경세포 체인의 구현
대한전자공학회 학술대회
2008 .11
-
동적으로 출력 뉴런을 생성하는 경쟁 학습 신경회로망 ( Competitive Learning Neural Network with Dynamic Output Neuron Generation )
전자공학회논문지-B
1994 .09
-
A Multiple-Output Current Mirror with Neuron MOSFETs
ITC-CSCC :International Technical Conference on Circuits Systems, Computers and Communications
2009 .07
-
Implementation of CMOS Neuron for Robot Motion Control Unit
대한전자공학회 ISOCC
2013 .11
-
Simplified neuron functions for FPGA : evaluations of engineering neuron on gate array and analogue circuit
제어로봇시스템학회 국제학술대회 논문집
2001 .10
-
Neural Network Training Using a GMDH Type Algorithm
INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
2005 .03
-
The Fuzzy Neuron Learning Algorithm Based on The Physiological Organization
ITC-CSCC :International Technical Conference on Circuits Systems, Computers and Communications
1996 .01
-
Design of a Neural Chip for Classifying Iris Flowers based on CMOS Analog Neurons
센서학회지
2019 .01
-
호지킨-헉슬리 모델을 위한 시냅스 기능을 지닌 신경세포 체인의 하드웨어 구현
센서학회지
2009 .01
-
Learning Performance of Multilayer Neural Network with Threshold Neurons
ITC-CSCC :International Technical Conference on Circuits Systems, Computers and Communications
1997 .01
-
Synchronization of Two Uncoupled FitzHugh-Nagumo Neurons via Nonlinear Control
제어로봇시스템학회 국제학술대회 논문집
2010 .10
이 논문의 저자 정보
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2009-028-014805728