Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

复制器神经网络用于通用最佳源代码.

R Hecht-Nielsen

    Science (New York, N.Y.)
    |September 29, 1995
    PubMed
    概括
    此摘要是机器生成的。

    复制器神经网络通过最小化重建错误来实现最佳的数据压缩. 这些网络还发现了数据多元体的独特坐标系统,增强了数据表示.

    相关实验视频

    相关概念视频

    您也可能阅读

    相关文章

    通过共同作者、期刊和引用图与本文相关的文章。

    排序
    Same author

    Counterpropagation networks.

    Applied optics·2010
    Same author

    Nearest matched filter classification of spatiotemporal patterns.

    Applied optics·2010
    Same author

    Conditional probability density function estimation with sigmoidal neural networks.

    IEEE transactions on neural networks·2008
    Same author

    A biologically motivated solution to the cocktail party problem.

    Neural computation·2001
    Same author

    A supervised learning neural network coprocessor for soft-decision maximum-likelihood decoding.

    IEEE transactions on neural networks·1995
    Same journal

    A native sulfur deposit in Gale crater, Mars.

    Science (New York, N.Y.)·2026
    Same journal

    Coordinated demise of harmful algal blooms.

    Science (New York, N.Y.)·2026
    Same journal

    Genetic effects put into context.

    Science (New York, N.Y.)·2026
    Same journal

    Bacteria share proteins to survive antibiotics.

    Science (New York, N.Y.)·2026
    Same journal

    Impacts shaped Earth's first continents.

    Science (New York, N.Y.)·2026
    Same journal

    Erratum for the Report "Covalently bonded single-molecule junctions with stable and reversible photoswitched conductivity" by C. Jia <i>et al</i>.

    Science (New York, N.Y.)·2026
    查看所有相关文章

    科学领域:

    • 人工智能的人工智能
    • 机器学习 机器学习
    • 信息理论 信息理论

    背景情况:

    • 复制器神经网络通过将输入视为所需输出来自我组织,从而创建内部压缩数据表示.
    • 之前的研究表明,在这些网络中,可以实现最佳的数据压缩.

    研究的目的:

    • 为了证明复制器神经网络可以实现对任意数据源的最佳数据压缩.
    • 在这个框架内引入新的数据源模型,数据模组,并分析网络行为.

    主要方法:

    • 使用定理证明通过最小化平均平方重建错误来实现最佳数据压缩.
    • 在原始数据示例上培训复制器网络.
    • 介绍和分析数据多样性的属性.

    主要成果:

    • 一个定理证实了将平均平方重建错误最小化能够为各种数据源实现最佳数据压缩.
    • 作为一个通用的数据源模型,引入数据模组.
    • 第二定理表明,在一个关键的限制情况下,最佳压缩网络独特地定义了数据多样性的自然坐标系统.

    结论:

    • 复制器神经网络在理论上能够进行最佳的数据压缩.
    • 数据多元体的概念为理解数据源提供了一个新的框架.
    • 这些网络自然地揭示了数据中的潜在结构,形成了独特的坐标系统.