Abstract
In this paper we test three new sequential machine learning algorithms for radial basis function (RBF) neural network based on Kalman filter theory. Three new algorithms are derived: linearized Kalman filter, linearized information filter and unscented Kalman filter. Having introduced and derived mathematical model of each algorithm in the previous part of the paper, in this part we test and assess their performance using standard test sets from machine learning community. RBF neural network and three developed algorithms are implemented in MATLAB® programming environment. Experimental results obtained on real data sets as well as on real engineering problem show that developed algorithms result in more accurate models of the problem being investigated based on radial basis function neural network.
Highlights
Iris test skup je predložen još 30-tih godina prošlog veka za ocenu tačnosti predikcije klasifikacije estimatora [7]
Može se uočiti i da je standardna devijacija test statistike za 10 ponavljanja veštačke neuronske mreže sa 30 neurona za red veličine manja kod LIF-a i ASAM-a u odnosu na LKF algoritam
Kovarijansa vektora inovacije zavisi od matrice kovarijansi šuma merenja R, a njeno povećanje smanjuje pojačanje K, što direktno utiče na korak korekcije filtra
Summary
Pomoću ovih skupova za proveru algoritama mašinskog učenja proveravaju se konvergencija, tačnost i preciznost novih algoritama [1], [2], [3]. Tačnost veštačke neuronske mreže ocenjena je na osnovu određivanja statistike kvadratnog korena srednje kvadratne greške (KKSKG): N yi g w, μ,. S test - KKSKG za test skup podataka pomoću kojih se ocenjuje kvalitet sprovedenog procesa mašinskog učenja;. Proces optimizacije je sproveden 20 puta za sve testirane arhitekture, a prilikom svakog ponavljanja procesa vršena je nova inicijalizacija početnih protip vektora veštačke neuronske mreže. U tabelama 2, 3 i 4 su prikazani rezultati (srednja vrednost i standardna devijacija statistike s za 20 ponavljanja). Prvi izabrani test skup ulazno-izlaznih vrednosti za optimizaciju parametara i proveru tačnosti algoritma je izrazito kompleksan i nelinearan. Rezultati ukazuju i da je standardna devijacija statistike s mala, na osnovu čega se može zaključiti da je ponovljivost rezultata velika.
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
