Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloDeterministic learning for maximum likelihood estimation through neural networkss
Anno di pubblicazione2008
Formato-
Autore/iC. Cervellera, D. Macciò, M. Muselli
Affiliazioni autoriC. Cervellera, D. Macciò: Istituto di Studi sui Sistemi Intelligenti per l'Automazione, Consiglio Nazionale delle Ricerche
Autori CNR e affiliazioni
  • MARCO MUSELLI
Lingua/e-
AbstractA new efficient technique for estimating probability densities from data through the application of the approximate global maximum likelihood (AGML) approach is proposed. It employs a composition of kernel functions to estimate the correct behavior of parameters involved in the expression of the unknown probability density. Convergence to the optimal solution is guaranteed by a deterministic learning framework when low discrepancy sequences are used to generate the centers of the kernels. Trials on mixture of Gaussians show that the proposed semi-local technique is able to efficiently approximate the maximum likelihood solution even in complex situations where implementations based on standard neural networks require an excessive computational cost.
Lingua abstract-
Altro abstract-
Lingua altro abstract-
Pagine da1456
Pagine a1467
Pagine totali-
RivistaIEEE transactions on neural networks
Attiva dal 1990 al 2011
Editore: Institute of Electrical and Electronics Engineers, - New York, NY
Paese di pubblicazione: Stati Uniti d'America
Lingua: inglese
ISSN: 1045-9227
Titolo chiave: IEEE transactions on neural networks
Titolo proprio: IEEE transactions on neural networks
Titolo abbreviato: IEEE trans. neural netw.
Titoli alternativi:
  • Institute of Electrical and Electronics Engineers transactions on neural networks
  • Transactions on neural networks
  • Neural networks
Numero volume della rivista19
Fascicolo della rivista-
DOI-
Verificato da referee-
Stato della pubblicazione-
Indicizzazione (in banche dati controllate)-
Parole chiaveMaximum likelihood estimation, deterministic learning, kernel models, low-discrepancy sequences
Link (URL, URI)-
Titolo parallelo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • IEIIT — Istituto di elettronica e di ingegneria dell'informazione e delle telecomunicazioni
Moduli CNR
    Progetti Europei-
    Allegati

      Dati storici
      I dati storici non sono modificabili, sono stati ereditati da altri sistemi (es. Gestione Istituti, PUMA, ...) e hanno solo valore storico.
      Area disciplinareAI, Robotics & Automatic Control
      Area valutazione CIVRIngegneria industriale e informatica
      Rivista ISIIEEE TRANSACTIONS ON NEURAL NETWORKS [09418J0]