Fast learning algorithm for deep evolving GMDH-SVM neural network in data stream mining tasks
PBN-AR
Instytucja
Wydział Budowy Maszyn i Lotnictwa (Politechnika Rzeszowska im. Ignacego Łukasiewicza)
Książka
Tytuł książki
Proceedings of the 2016 IEEE First International Conference on Data Stream Mining & Processing (DSMP)
Data publikacji
2016
ISBN
978-1-5090-3737-7
Wydawca
IEEE- INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS
Publikacja
Główny język publikacji
EN
Tytuł rozdziału
Fast learning algorithm for deep evolving GMDH-SVM neural network in data stream mining tasks
Rok publikacji
2016
Strony (od-do)
257-262
Numer rozdziału
Identyfikator DOI
Liczba arkuszy
0,5
Hasło encyklopedyczne
Autorzy
(liczba autorów: 5)
Pozostali autorzy
+ 4
Konferencja
Indeksowana w Scopus
nie
Indeksowana w Web of Science Core Collection
tak
Liczba cytowań z Web of Science Core Collection
Nazwa konferencji (skrócona)
DSMP&P 2016
Nazwa konferencji
1st IEEE International Conference on Data Stream Mining and Processing
Początek konferencji
2016-08-23
Koniec konferencji
2016-08-27
Lokalizacja konferencji
Lwów
Kraj konferencji
UA
Lista innych baz czasopism i abstraktów w których była indeksowana
Streszczenia
Język
EN
Treść
Abstract —In the paper, the deep evolving neural network and its learning algorithms (in batch and on-line mode) are proposed. The deep evolving neural network’s architecture is developed based on GMDH approach (in J. Schmidhuber’s opinion it is historicaly first system, which realizes deep learning ) and least squares support vector machines with fixed number of the synaptic weights, which provide high quality of approximation in addition to the simlicity of implementation of nodes with two inputs. The proposed system is simple in computational implementation, characterized by high learning speed and allows processing of data, which are sequentially fed in on-line mode. The proposed system can be used for solving a wide class of Dynamic Data Mining tasks, which are connected with non- stationary, nonlinear stochastic and chaotic signals. The com- putational experiments are confirmed the effectiveness of the developed approach.
Cechy publikacji
rozdział w książce
publikacja recenzowana
Inne
System-identifier
36986
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych