1. Türk Yapay Zeka ve Yapay Sinir Ağları Sempozyum
  • 1. Türk Yapay Zeka ve Yapay Sinir Ağları Sempozyumu Bildirileri
  • ÖNSÖZ
  • TEŞEKKÜR
  • İÇİNDEKİLER
  • Davetli Bildiri - Invited Paper
    • Towards Program Understanding Systems
  • Akıl Yürütme - Reasoning
    • Proof-Checking Process-Based Reasoning about Physical Systems
    • An Extension of the Corresponding Value Technique in Qualitative Modeling and Simulation
    • Qualitative Reasoning Experiments with the MVL Theorem Proving System
    • Tekdüze Olmayan Usavurum Yöntemleri ve Yapay Zeka
    • Issues in Commonsense Set Theory
  • Yapay Sinir Ağları Uygulamaları - Applications of Artificial Neural Networks
    • A Survey of Neural Network Applications for Scheduling Problems
    • A Study in Connectionist Modeling of Hard-Constraint Problems: Solving Tangram Puzzles
    • Solving Maze Problems by Cellular Neural Networks
    • Ping-Pong Oynamasını Öğrenen Yapay Sinir Ağı
  • Doğal Diller - Bilgi Gösterimi / Natural Languages - Knowledge Representation
    • Towards a Formal Semantics of Turkish
    • An Approach to Machine Translation
    • Functional Categorization of Knowledge
    • Four Levels of Learning and Representation in Modeling Scientific Discovery
  • Konuşma Tanıma/ Speech Recognition
    • Konuşma İşaretinin Tanınması için Kullanılan Yapay Nöron Ağları ve Diğer Teknikler
    • Isolated Speech Recognition System
    • Vocal Tract Shape Estimation
    • Comparison of Human and Lovebird Speech
  • Yapay Sinir Ağları Yapıları/ Artificial Neural Network Architectures
    • Artificial Neural Networks that Grow When They Learn and Shrink When They Forget
    • Sinir Ağlarının Optik Cihazlarla Tasarımı
    • Classification and Computation on Non-uniform Finite Cellular Automata Networks
    • Yapay Sinir Ağları Konusunda Hukuki bir Yaklaşım
  • Tasarımda Yapay Zeka / Artificial Intelligence in Design
    • Fuzzy Lojik Kontrolerlerin Dizaynı için Yeni bir Metod
    • Bilgi Tabanlı Yaratıcı Kavramsal Dizayn
    • A Distributed Expert System Architecture
    • KNOWALL! An Experimental Inscriptor-Based Expert System
  • Örüntü Tanıma / Pattern Recognition
    • A Counterpropagation Network Model to Recognize and Classify Chart Patterns in Automated Manufact.
    • Experiments with RST, A Rotation, Scaling and Translation Invariant Pattern Classification System
    • Application of Artificial Neural Networks to Pattern Recognition
    • Segmentation of Ottoman Characters
  • Görme ve Görüntü İşleme / Vision and Image Processing
    • Active Vision / Etkin Görme
    • Renkli Resim İşlemenin Teorik ve Pratik Özellikleri
    • Otomatik Odaklama
    • Executing Prolog Programs with Dataflow Approach
  • Yapay Sinir Ağları Uygulamaları / Application of Artificial Neural Networks
    • A Neural Network Architecture for Emulating Forward Dynamics of a Robot Manipulator
    • Stability Properties of Artificial Neural Network Based Robotic Controllers
    • Pattern Classifier
    • Yapay Sinir Ağlarının Robotikteki Uygulamaları
  • Yazar Dizini / Author Index
Powered by GitBook
On this page
  • Abstract
  • Özet
  • Tam Metin

Was this helpful?

  1. Yapay Sinir Ağları Yapıları/ Artificial Neural Network Architectures

Artificial Neural Networks that Grow When They Learn and Shrink When They Forget

Ethem Alpaydın, Boğaziçi Üniversitesi, Türkiye.

PreviousComparison of Human and Lovebird SpeechNextSinir Ağlarının Optik Cihazlarla Tasarımı

Last updated 5 years ago

Was this helpful?

Abstract

Learning when limited to modification of some parameters has a limited scope: the capability to modify the system structure is also needed to get a wider range of the Iearnable. In the case of artificial neural networks, learning by iterative adjustment of synaptic weights can only succeed if the network designer predefines an appropriate network structure, i.e., number of hidden Iayers, units, and the size and shape of their receptive and projective fields. This paper advocates the view that the network structure should not, as usually done, be determined by trial-and-error but should be computed by the Iearning algorithm, Incremental learning algorithms can modify the network structure by addition and/or removal of units and/or Iinks. A survey of current connectionist literature is given on this line of thought. The reader is referred to (Alpaydın, 1991) for the author's own contribution to the field.

Özet

Eğer öğrenme sadece bazı parametrelerin değerlerini değiştirebilmek ise kullanım alanı kısıtlı kalır; öğrenilebileceklerin olabildiği kadar geniş olması için sistemin yapısının da değiştirilebilir olması gerekir. Yapay sinir ağlarında sadece bağlantı ağırlıklarının ayarlanabilmesi ile gerçekleşen öğrenmenin başarılı olabilmesi ancak ağ yapısının, yani saklı katman ve saklı ünite sayılan ve bunların önceki ve sonraki katmanlara bağlantı şeklinin, kullanım alanına uygun olması ile gerçekleşebilir. Bu tebliğ, ağ yapısının belirlenmesinin sıkça yapıldığı gibi deneme-yanılma ile değilde, yine öğrenme yordamının kendisi tarafından yapılması gerektiğini savunur. Bu tip yordamlarda ağ yapısı, örneğin hata geri yayma yordamında olduğu gibi durağan değildir; gerektiğinde yeni ünite ve bağlantılar eklenebilir veya olanlar çıkarılabilir. Bu tebliğ, bu konuda yapılmış çalışmaların bir özetini vermektedir; yazarın bu atana katkısı için, okuyucu (Alpaydın, 1991)'e başvurmaya davet edilir.

Tam Metin

Bildirinin tamamını görüntülemek için aşağıdaki dosyayı indiriniz.

19MB
173-180.pdf
pdf
173-180 Artificial Neural Networks that Grow When They Learn and Shrink When They Forget