A genetic algorithms based multi-objective neural net applied to noisy blast furnace data

F. Pettersson, N. Chakraborti*, H. Saxén

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArtikkeliTieteellinenvertaisarvioitu

202 Sitaatiot (Scopus)

Abstrakti

A genetic algorithms based multi-objective optimization technique was utilized in the training process of a feed forward neural network, using noisy data from an industrial iron blast furnace. The number of nodes in the hidden layer, the architecture of the lower part of the network, as well as the weights used in them were kept as variables, and a Pareto front was effectively constructed by minimizing the training error along with the network size. A predator-prey algorithm efficiently performed the optimization task and several important trends were observed.

AlkuperäiskieliEnglanti
Sivut387-397
Sivumäärä11
JulkaisuApplied Soft Computing Journal
Vuosikerta7
Numero1
DOI - pysyväislinkit
TilaJulkaistu - tammikuuta 2007
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki Sukella tutkimusaiheisiin 'A genetic algorithms based multi-objective neural net applied to noisy blast furnace data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Viittausmuodot