Optimalität und Robustheit der Neuronenbelehrung bei verschiedenen Fehlerbewertungsfunktionen für nicht separierbare und separierbare Verteilungen am Beispiel des linearen Klassifikators für zwei Klassen

1. K. Hornik, M. Sincombe, and H. White: Multilayer feedforward networks are universal approximators. Neural Networks, 1989

   Google Scholar 

2. U. Kreßel, J. Franke und J. Schürmann: Polynomklassifikator versus MultilayerPerzeptron. 12. DAGM-Symposium Oberkochen- Aalen, September 1990

   Google Scholar 

3. H. Niemann: Pattern Analysis and Understanding. Springer 1989

   Google Scholar 

4. Niemann: Klassifikation von Mustern Springer 1983

   Google Scholar 

5. N. Nilsson: Learning macines. Mc Graw-Hill, 1965

   Google Scholar 

6. E. Parzen: On Estimation of a Probability Density Function and Mode. Ann. Math. Stat. 33 (1962), 1065 - 1076

   Article  MathSciNet  MATH  Google Scholar 

7. D. Rumelhart and J. McClelland: Parallel distributed processing. MIT Press,1986

   Google Scholar 

8. J. Schürmann: Polynomklassifikatoren für die Zeichenerkennung. Oldenbourg, 1977 [9]J. Sklansky, and N. Wassel: Pattern Classifiers and trainable machines. Springer 1981 [10]S. Unger, und F. Wysotzki: Lernfähige Klassifizierungsverfahren, Akademie-Verlag Berlin 1981

   Google Scholar 

9. J. Sklansky, and N. Wassel: Pattern Classifiers and trainable machines. Springer 1981

   Google Scholar 

10. S. Unger, und F. Wysotzki: Lernfähige Klassifizierungsverfahren, Akademie-Verlag Berlin 1981

    Google Scholar 

11. S. Unger Neuronale Netze, Mustererkennung, Assoziativspeicher. Aus der Arbeit von Plenum und Klassen der AdW der DDR 12/1989, 36-74.

    Google Scholar 

12. W.N. Wapnik u. A.J. Tscherwonenkis: Theorie der Zeichenerkennung. Akademie-Verlag Berlin 1979

    Google Scholar 

13. S. Unger (in Vorbereitung)

    Google Scholar 

Download references