| http://dbpedia.org/ontology/abstract
|
Rprop, short for resilient backpropagation … Rprop, short for resilient backpropagation, is a learning heuristic for supervised learning in feedforward artificial neural networks. This is a first-order optimization algorithm. This algorithm was created by Martin Riedmiller and Heinrich Braun in 1992. Similarly to the , Rprop takes into account only the sign of the partial derivative over all patterns (not the magnitude), and acts independently on each "weight". For each weight, if there was a sign change of the partial derivative of the total error function compared to the last iteration, the update value for that weight is multiplied by a factor η−, where η− < 1. If the last iteration produced the same sign, the update value is multiplied by a factor of η+, where η+ > 1. The update values are calculated for each weight in the above manner, and finally each weight is changed by its own update value, in the opposite direction of that weight's partial derivative, so as to minimise the total error function. η+ is empirically set to 1.2 and η− to 0.5. RPROP is a . Next to the and the Levenberg–Marquardt algorithm, Rprop is one of the fastest weight update mechanisms.e of the fastest weight update mechanisms.
, Resilient Backpropagation (Rprop) bzw. ela … Resilient Backpropagation (Rprop) bzw. elastische Fortpflanzung ist ein iteratives Verfahren zur Bestimmung des Minimums der Fehlerfunktion in einem neuronalen Netz. Der Algorithmus wird manchmal der Gruppe Lernverfahren zweiter Ordnung zugerechnet, da in die Bestimmung der aktuellen Gewichtsänderung die letzte Gewichtsänderung mit einbezogen wird. Das Gewicht wird hierbei nur nach dem Vorzeichen des Gradienten geändert. Mit einem gewichtsindividuellen Parameter wird die Schrittweite bestimmt.Die Gewichtsänderung wird in zwei Schritten durchgeführt.Erster Schritt: Für jedes Gewicht wird der Änderungsparameter für die k-te Iteration wie folgt bestimmt: mit Schrittweite und maximale Schrittweite für einen Vorwärtsschritt bzw. einen Rückwärtsschritt werden mit den Parametern festgelegt. Gute Werte für die Parameter sind: Im zweiten Schritt wird die Änderung der Gewichte der k-ten Iteration bestimmt: mit Dabei ist das Gewicht des Neurons j für den Eingang i und E die Summe der Fehler. Der Rprop-Algorithmus konvergiert im Allgemeinen schneller als die Fehlerrückführung (engl. backpropagation), jedoch kann es aufgrund der Unstetigkeitsstelle am Minimum der lokalen Approximation zum Überspringen des Extremums kommen. Der Rprop-Algorithmus wurde erstmals 1992 von Martin Riedmiller und Heinrich Braun in ihrer Arbeit „Rprop - A Fast Adaptive Learning Algorithm“ vorgestellt. Christian Igel und Michael Hüsken (2003) haben eine leichte Modifikation des Algorithmus vorgeschlagen, dieseine Stabilität und Geschwindigkeit erhöht. Durch die vonAristoklis D. Anastasiadis et al. (2005) beschriebenen Veränderungen kann globale Konvergenz des Verfahrensbewiesen werden. Konvergenz des Verfahrensbewiesen werden.
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://citeseerx.ist.psu.edu/viewdoc/summary%3Fdoi=10.1.1.27.7876 +
, http://citeseerx.ist.psu.edu/viewdoc/summary%3Fdoi=10.1.1.17.1332 +
, http://citeseerx.ist.psu.edu/viewdoc/summary%3Fdoi=10.1.1.21.1417 +
, http://citeseerx.ist.psu.edu/viewdoc/summary%3Fdoi=10.1.1.21.3428 +
, http://www.ias.informatik.tu-darmstadt.de/Research/RpropToolbox +
, http://www.mathworks.com/matlabcentral/fileexchange/32445-rprop +
|
| http://dbpedia.org/ontology/wikiPageID
|
7950358
|
| http://dbpedia.org/ontology/wikiPageLength
|
4467
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1101638747
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Algorithm +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Batch_update_algorithm +
, http://dbpedia.org/resource/Manhattan_update_rule +
, http://dbpedia.org/resource/Cascade_correlation_algorithm +
, http://dbpedia.org/resource/Heuristics +
, http://dbpedia.org/resource/Partial_derivative +
, http://dbpedia.org/resource/First-order_approximation +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Category:Machine_learning_algorithms +
, http://dbpedia.org/resource/Optimization_%28mathematics%29 +
, http://dbpedia.org/resource/Feedforward_neural_network +
, http://dbpedia.org/resource/Sign_%28mathematics%29 +
, http://dbpedia.org/resource/Levenberg%E2%80%93Marquardt_algorithm +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Not_to_be_confused_with +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Cn +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning_algorithms +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Rprop?oldid=1101638747&ns=0 +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Rprop +
|
| owl:differentFrom |
http://dbpedia.org/resource/Stochastic_gradient_descent +
|
| owl:sameAs |
http://de.dbpedia.org/resource/Resilient_Propagation +
, http://dbpedia.org/resource/Rprop +
, http://yago-knowledge.org/resource/Rprop +
, http://www.wikidata.org/entity/Q1320470 +
, https://global.dbpedia.org/id/Layz +
, http://rdf.freebase.com/ns/m.026l567 +
|
| rdf:type |
http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/WikicatAlgorithms +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
|
| rdfs:comment |
Rprop, short for resilient backpropagation … Rprop, short for resilient backpropagation, is a learning heuristic for supervised learning in feedforward artificial neural networks. This is a first-order optimization algorithm. This algorithm was created by Martin Riedmiller and Heinrich Braun in 1992. RPROP is a . Next to the and the Levenberg–Marquardt algorithm, Rprop is one of the fastest weight update mechanisms.e of the fastest weight update mechanisms.
, Resilient Backpropagation (Rprop) bzw. ela … Resilient Backpropagation (Rprop) bzw. elastische Fortpflanzung ist ein iteratives Verfahren zur Bestimmung des Minimums der Fehlerfunktion in einem neuronalen Netz. Der Algorithmus wird manchmal der Gruppe Lernverfahren zweiter Ordnung zugerechnet, da in die Bestimmung der aktuellen Gewichtsänderung die letzte Gewichtsänderung mit einbezogen wird. Das Gewicht wird hierbei nur nach dem Vorzeichen des Gradienten geändert. Mit einem gewichtsindividuellen Parameter wird die Schrittweite bestimmt.Die Gewichtsänderung wird in zwei Schritten durchgeführt.Erster Schritt: Für jedes Gewicht wird der Änderungsparameter für die k-te Iteration wie folgt bestimmt:für die k-te Iteration wie folgt bestimmt:
|
| rdfs:label |
Rprop
, Resilient Propagation
|
