0411232 20240103182311.720060210235959.9 80-200-1044-0 Praha Academia 2003 37 s. 276-312MaříkV.ŠtěpánkováO.LažanskýJ. probabilistic neural networks finite mixtures statistical pattern recognition cav_un_auth*0101091 Grim Jiří UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. 09K 12B 06D GA402/01/0981 GA ČR cav_un_auth*0008962 CEZ:AV0Z1075907 Pravděpodobnostní přístup k neuronovým sítím je formulován v rámci řešení statistického problému rozpoznávání pomocí distribučních směsí. Vychází z obecně použitelné teoretické metody a vhodnou volbou modelu směsi dospívá k neurofyziologicky přijatelné interpretaci základních funkčních vlastností neuronu. Komponenty směsí odpovídají jednotlivým neuronům a určují jejich funkční vlastnosti. Konkrétní návrh neuronové sítě spočívá odhadu parametrů distribuční směsi pomocí EM algoritmu. The probabilistic approach to neural networks based on estimating mixture distributions has been developed in the framework of statistical pattern recognition with the aim to obtain a statistically well justified and biologically plausible neural network model. The basic idea of the probabilistic neural networks is to view the mixture components as formal neurons. The functioning of a neuron is determined by the corresponding component parameters which can be estimated from data by means of EM algorithm. BB RO http://hdl.handle.net/11104/0131318 UTIA-B 20030219 2003 2003 Praha Academia 80-200-1044-0 Umělá inteligence (4) 276 312 Artificial Intelligence (4) Mařík V. 340 Štěpánková O. 340 Lažanský J. 340