Method for the selection of inputs and structure of feedforward neural networks

H. Saxén*, F. Pettersson

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArtikkeliTieteellinenvertaisarvioitu

43 Sitaatiot (Scopus)

Abstrakti

Feedforward neural networks of multi-layer perceptron type can be used as nonlinear black-box models in data-mining tasks. Common problems encountered are how to select relevant inputs from a large set of variables that potentially affect the outputs to be modeled, as well as high levels of noise in the data sets. In order to avoid over-fitting of the resulting model, the input dimension and/or the number of hidden nodes have to be restricted. This paper presents a systematic method that can guide the selection of both input variables and a sparse connectivity of the lower layer of connections in feedforward neural networks of multi-layer perceptron type with one layer of hidden nonlinear units and a single linear output node. The algorithm is illustrated on three benchmark problems.

AlkuperäiskieliEnglanti
Sivut1038-1045
Sivumäärä8
JulkaisuComputers and Chemical Engineering
Vuosikerta30
Numero6-7
DOI - pysyväislinkit
TilaJulkaistu - 15 toukokuuta 2006
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Method for the selection of inputs and structure of feedforward neural networks'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Viittausmuodot