Classification of Large Biomedical Data using ANNs based on BFGS method

dc.contributor.authorΛιβιέρης, Ιωάννηςgr
dc.contributor.authorΣωτηρόπουλος, Δημήτριοςgr
dc.contributor.authorΠιντέλας, Παναγιώτηςgr
dc.contributor.otherLivieris, Ioannisen
dc.contributor.otherSotiropoulos, Dimitrisen
dc.contributor.otherPintelas, Panagiotisen
dc.date.accessioned2010-04-08T08:13:39Zen
dc.date.available2010-04-08T08:13:39Zen
dc.date.copyright2009-04-01en
dc.date.issued2010-04-08T08:13:39Zen
dc.description.abstractΤα τεχνητά νευρωνικά δίκτυα έχουν ευρέως χρησιμοποιηθεί για την εξόρυξη γνώσης από βιοιατρικά δεδομενά και συνιστούν ένα σημαντικό ρόλο στην ανάλυση και στην εξερεύνηση βιο-δεδομένων. Σε αυτή την εργασία, προτείνουμε μια νέα μέθοδο για την εκπαίδευση νευρωνικών δικτύων, ο οποίος βασίζεται στην ανάλυση του ιδιοσυστήματος των BFGS χωρίς μνήμη πινάκων. Η προτεινόμενη μέθοδος διατηρεί τις ισχυρές ιδιότητες σύγκλισης, οι οποίες παρέχονται από την κατεύθυνση quasi-Newton ενώ παράλληλη εκμεταλλεύεται τη μη-κυρτότητα της συνάρτησης σφάλματος με τον υπολογισμό της κατεύθυνσης της αρνητικής κυρτότητας αποφεύγοντας την αποθήκευση και την παραγοντοποίηση πίνακα. Επιπλέον για τη βελτίωση της ικανότητας γενίκευσης των εκπαιδευόμενων δικτύων, ερευνούμε την επίδραση της υιοθέτησης τεχνικών μείωσης της διάστασης του συνόλου δεδομένων ως ένα βήμα προεπεξεργασίας.gr
dc.description.translatedabstractArtificial neural networks (ANNs) have been widely used for knowledge extraction from biomedical datasets and constitute an important role in bio-data exploration and analysis. In this work, we proposed a new curvilinear algorithm for training large neural networks which is based on the analysis of the eigenstructure of the memoryless BFGS matrices. The proposed method preserves the strong convergence properties provided by the quasi-Newton direction while simultaneously it exploits the nonconvexity of the error surface through the computation of the negative curvature direction without using any storage and matrix factorization. Moreover, for improving the generalization capability of trained ANNs, we explore the incorporation of several dimensionality reduction techniques as a pre-processing step.en
dc.identifier.urihttps://hdl.handle.net/10889/2796en
dc.language.isoenen
dc.subjectArtificial neural networksen
dc.subjectBiomedical dataen
dc.subjectDimensionality reductionen
dc.subjectFeature extractionen
dc.subjectmemoryless BFGSen
dc.subjectCurvilinear searchen
dc.subject.alternativeΝευρωνικά δίκτυαgr
dc.subject.alternativeΒιοιατρικά δεδομέναgr
dc.titleClassification of Large Biomedical Data using ANNs based on BFGS methoden
dc.typeTechnical Reporten

Files

Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Nimertis_TR_ClassificationofLargeBiomedicalData.pdf
Size:
177.71 KB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
5.41 KB
Format:
Item-specific license agreed upon to submission
Description: