Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: https://ruomo.lib.uom.gr/handle/7000/494
Τίτλος: Solving polynomial systems using a fast adaptive back propagation-type neural network algorithm
Συγγραφείς: Goulianas, Konstantinos
Margaris, Athanasios
Refanidis, Ioannis
Diamantaras, Konstantinos I.
Τύπος: Article
Θέματα: FRASCATI::Natural sciences::Computer and information sciences
Λέξεις-Κλειδιά: Neural networks
polynomial systems
numerical analysis
Ημερομηνία Έκδοσης: Απρ-2018
Εκδότης: Cambridge University Press
Πηγή: European Journal of Applied Mathematics
Τόμος: 29
Τεύχος: 2
Πρώτη Σελίδα: 301
Τελευταία Σελίδα: 337
Επιτομή: This paper proposes a neural network architecture for solving systems of non-linear equations. A back propagation algorithm is applied to solve the problem, using an adaptive learning rate procedure, based on the minimization of the mean squared error function defined by the system, as well as the network activation function, which can be linear or non-linear. The results obtained are compared with some of the standard global optimization techniques that are used for solving non-linear equations systems. The method was tested with some well-known and difficult applications (such as Gauss–Legendre 2-point formula for numerical integration, chemical equilibrium application, kinematic application, neuropsychology application, combustion application and interval arithmetic benchmark) in order to evaluate the performance of the new approach. Empirical results reveal that the proposed method is characterized by fast convergence and is able to deal with high-dimensional equations systems.
URI: https://doi.org/10.1017/S0956792517000146
https://ruomo.lib.uom.gr/handle/7000/494
ISSN: 0956-7925
Ηλεκτρονικό ISSN: 1469-4425
Αλλοι Προσδιοριστές: 10.1017/S0956792517000146
Εμφανίζεται στις Συλλογές: Τμήμα Εφαρμοσμένης Πληροφορικής

Αρχεία σε αυτό το Τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
EJAM-D-16-00169_R1 - preprint.pdfpreprint (revision 1)334,04 kBAdobe PDFThumbnail
Προβολή/Ανοιγμα


Τα τεκμήρια στο Αποθετήριο προστατεύονται από πνευματικά δικαιώματα, εκτός αν αναφέρεται κάτι διαφορετικό.