H·伯拉德。;坎普(Kamp,Y.)。 通过多层感知器和奇异值分解实现自动关联。 (英语) Zbl 0651.92006号 生物学Cybern。 59,No.4-5,291-294(1988). 多层感知器在自动关联模式下工作时,有时被认为是在信息处理应用程序中执行数据压缩或特征空间降维的一个有趣的候选者。本文表明,对于自关联,隐藏单元的非线性是无用的,并且可以通过依赖奇异值分解和低秩矩阵近似的纯线性技术直接导出最佳参数值,这与著名的Karhunen-Loève变换的精神类似。因此,这种方法似乎是常用于训练多层感知器的通用误差反向传播算法的有效替代方法。此外,它还清楚地解释了不同参数的作用。 引用于30文件 MSC公司: 92立方厘米 生理、细胞和医学主题 92F05型 其他自然科学(数学处理) 68T99型 人工智能 关键词:神经网络;多层感知器;数据压缩;降维;信息处理;自动关联;隐藏单元的非线性;奇异值分解;低秩矩阵近似 PDF格式BibTeX公司 XML格式引用 \textit{H.Bourard}和\textit{Y.Kamp},Biol。赛博。59,编号4--5,291--294(1988;Zbl 0651.92006) 全文: 内政部 参考文献: [1] Ahmed N,Rao KR(1975)数字信号处理的正交变换。施普林格,纽约-柏林-海德堡·Zbl 0335.94001号 [2] Bourlard H,Kamp Y,Wellekens CJ(1985),基于音素Markov模型的说话人相关连接语音识别。ICASSP程序,第1213–1216页 [3] Bunch JR,Nielsen CP(1978)更新奇异值分解。数理31:111–129·Zbl 0421.65028号 ·doi:10.1007/BF01397471文件 [4] Cottrell GW、Munro PW、Zipser D(1988)《通过反向传播进行图像压缩:扩展编程的演示》。摘自:Sharkey NE(ed)《认知科学进展》,第2卷。阿贝克斯,诺伍德,(新泽西州)(印刷中) [5] Delsarte P,Kamp Y(1988)具有给定符号模式的低秩矩阵,菲利普斯研究实验室,布鲁塞尔SIAM J:(待出版) [6] Elman JL,Zipser D(1987)学习言语的隐藏结构。《美国科学院学报》83:1615–1626·数字对象标识代码:10.1121/1.395916 [7] Golub GH(1968)最小二乘、奇异值和矩阵近似。Applikace Matematiky 13:44–51·Zbl 0179.21403号 [8] Golub GH,Van Loan CF(1983),矩阵计算。牛津大学北牛津学院·Zbl 0559.65011号 [9] Harrison TD(1987)连续语音识别的连接主义框架。剑桥大学博士论文 [10] 李普曼RP(1987)《神经网络计算导论》。IEEE ASSP杂志,第4–22页 [11] Minsky M,Papert S(1969)Perceptrons。麻省理工学院出版社,剑桥 [12] Rumelhart DE、McClelland JL和PDP Research Group(1986)并行分布式处理。认知微观结构的探索。第1-2卷。麻省理工学院出版社,剑桥 [13] Rumelhart DE、Hinton GE、Williams RJ(1986)《通过错误传播学习内部表示法》。收录:Rumelhart DE,McClellan JL(eds)并行分布式处理。认知微观结构探索,第1卷。基金会。麻省理工学院出版社,剑桥 [14] Stewart GW(1973)矩阵计算导论。纽约学术出版社·Zbl 0302.65021号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。