home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #1 / NN_1993_1.iso / spool / comp / ai / neuraln / 4733 < prev    next >
Encoding:
Text File  |  1993-01-07  |  1.8 KB  |  45 lines
  1. Newsgroups: comp.ai.neural-nets
  2. Path: sparky!uunet!wupost!cs.utexas.edu!qt.cs.utexas.edu!yale.edu!ira.uka.de!Germany.EU.net!infko!inews
  3. From: evol@infko.uni-koblenz.de
  4. Subject: Technical report on topology optimization of anns available
  5. Message-ID: <1993Jan07.061204.9289@infko.uucp>
  6. Sender: inews@infko.uucp (inews)
  7. Organization: University of Koblenz, Germany
  8. Date: Thu, 07 Jan 1993 06:12:04 GMT
  9. Lines: 34
  10.  
  11. Our new Technical Report "Synthesis and Performance Analysis of Multilayer
  12. Neural Network Architectures" is now available via ftp:
  13.  
  14.  
  15.     ftp archive.cis.ohio-state.edu  or  ftp 128.146.8.52
  16.     cd pub/neuroprose
  17.     binary
  18.     get schiff.gann.ps.Z
  19.     quit
  20.  
  21. In this paper we present various approaches for automatic topology-optimization
  22. of backpropagation networks. First of all, we review the basics of genetic
  23. algorithms which are our essential tool for a topology search. Then we give a
  24. survey of backprop and the topological properties of feedforward networks. We
  25. report on pioneer work in the filed of topology--optimization. Our first
  26. approach was based on evolutions strategies which used only mutation to change
  27. the parent's topologies. Now, we found a way to extend this approach by an
  28. crossover operator which is essential to all genetic search methods.
  29. In contrast to competing approaches it allows that two parent networks with
  30. different number of units can mate and produce a (valid) child network, which
  31. inherits genes from both of the parents. We applied our genetic algorithm to a
  32. medical classification problem which is extremly difficult to solve. The
  33. performance with respect to the training set and a test set of pattern samples
  34. was compared to fixed network topologies. Our results confirm that the topology
  35. optimization makes sense, because the generated networks outperform the fixed
  36. topologies and reach classification performances near optimum.
  37.  
  38.  
  39.  
  40.     Randolf Werner
  41.  
  42.  
  43.  
  44.  
  45.