0090278 20240903170617.220071127235959.9 Neuromorphic features of probabilistic neural networks 16 s. cav_un_epca*02971630023-5954Kybernetika435 (2007)697-712Ústav teorie informace a automatizace AV ČR, v. v. i. Neuromorfní vlastnosti pravděpodobnostních neuronových sítí probabilistic neural networks distribution mixtures sequential EM algorithm pattern recognition cav_un_auth*0101091 Grim Jiří UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. 507752 XE EC cav_un_auth*0200689 GA102/07/1594 GA ČR cav_un_auth*0228611 1M0572 GA MŠk cav_un_auth*0001814 2C06019 GA MŠk CZ cav_un_auth*0216518 CEZ:AV0Z10750506 We summarize the main results on probabilistic neural networks recently published in a series of papers. Considering the framework of statistical pattern recognition we assume approximation of class-conditional distributions by finite mixtures of product components. The probabilistic neurons correspond to mixture components and can be interpreted in neurophysiological terms. In this way we can find possible theoretical background of the functional properties of neurons. For example, the general formula for synaptical weights provides a statistical justification of the well known Hebbian principle of learning. Similarly, the mean effect of lateral inhibition can be expressed by means of a formula proposed by Perez as a measure of dependence tightness of involved variables. Souhrnná práce o pravděpodobnostních neuronových sítích, které nabízejí alternativní řešení problému výběru příznaků (podprostorový přístup) a jsou široce použitelné pro řešení mnohorozměrných úloh klasifikace s omezenými datovými soubory. 2008 IN 4 O 4o 20231122133652.2 http://hdl.handle.net/11104/0151218 0.464 0.044 8.9 0.0021 0.359 329 68 21 1.071 14.83 0.67 2007 Soubory v repozitáři: 0090278.pdf cav_un_epca*0297163 Kybernetika 0023-5954 Roč. 43 č. 5 2007 697 712 Ústav teorie informace a automatizace AV ČR, v. v. i.