0311199 20240103190335.020090326235959.9 000259846600006 10.1016/j.neunet.2008.03.002 10 s. cav_un_epca*02573100893-6080216 (2008)838-846Elsevier Probabilistic neural networks Distribution mixtures EM algorithm Recognition of numerals Recurrent reasoning cav_un_auth*0101091 Grim Jiří UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0230019 Hora Jan UTIA-B Ústav teorie informace a automatizace AV ČR, v. v. i. 2C06019 GA MŠk CZ cav_un_auth*0216518 1M0572 GA MŠk cav_un_auth*0001814 GA102/07/1594 GA ČR cav_un_auth*0228611 CEZ:AV0Z10750506 When considering the probabilistic approach to neural networks in the framework of statistical pattern recognition we assume approximation of class-conditional probability distributions by finite mixtures of product components. The mixture components can be interpreted as probabilistic neurons in neurophysiological terms and, in this respect, the fixed probabilistic description contradicts the well known short-term dynamic properties of biological neurons. By introducing iterative schemes of recognition we show that some parameters of probabilistic neural networks can be /released/ for the sake of dynamic processes without disturbing the statistically correct decision making. In particular, we can iteratively adapt the mixture component weights or modify the input pattern in order to facilitate correct recognition. Both procedures are shown to converge monotonically as a special case of the well known EM algorithm for estimating mixtures. Pravděpodobnostní přístup patří k nejnovějším metodám návrhu neuronových sítí. Základní paradigma pravděpodobnostního přístupu je jiné než v případě standardních metod. Návrh „klasické“ neuronové sítě zpravidla vychází z formálního modelu neuronu a předpokládá nějaký způsob propojení neuronů v síti. Adaptace neuronové sítě pro daný účel (rozpoznávání vstupních objektů, aproximaci výstupní funkce a pod.) probíhá na základě nějakého algoritmu učení, který je navržen heuristicky, nebo je odvozen z vhodně zvoleného kriteria optimální funkce sítě. 2009 IN http://hdl.handle.net/11104/0162881 2.838 0.208 9 0.01182 0.93 5706 144 87 1.102 32.14 2.98 2008 000259846600006 WOS cav_un_epca*0257310 Neural Networks 0893-6080 1879-2782 Roč. 21 č. 6 2008 838 846 Elsevier