A Focused Backpropagation Algorithm for Temporal Pattern Recognition: differenze tra le versioni
Nessun oggetto della modifica |
Nessun oggetto della modifica |
||
| (2 versioni intermedie di 2 utenti non mostrate) | |||
| Riga 1: | Riga 1: | ||
{{template pubblicazione | {{template pubblicazione | ||
|data=1989 | |data=1989 | ||
|autori= | |autori=Yves Chauvin, D. Rumelhart | ||
|URL=https:// | |URL=https://www.semanticscholar.org/paper/ff5d9085699cee609cb5ca5dba8e2cb4eb03c8c0 | ||
|topic=Backpropagation | |topic=Backpropagation | ||
|citazioni= | |citazioni=570 | ||
}} | }} | ||
Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale. | Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale. | ||
L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale | L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale. | ||
Versione attuale delle 10:31, 17 ago 2024
| A Focused Backpropagation Algorithm for Temporal Pattern Recognition | |
|---|---|
| Data | 1989 |
| Autori | Yves Chauvin, D. Rumelhart |
| URL | https://www.semanticscholar.org/paper/ff5d9085699cee609cb5ca5dba8e2cb4eb03c8c0 |
| Topic | Backpropagation |
| Citazioni | 570 |
Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale.
L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale.