Parameter estimation using compensatory neural networks
نویسندگان
چکیده
منابع مشابه
Fast cosmological parameter estimation using neural networks
We present a method for accelerating the calculation of CMB power spectra, matter power spectra and likelihood functions for use in cosmological parameter estimation. The algorithm, called COSMONET, is based on training a multilayer perceptron neural network and shares all the advantages of the recently released PICO algorithm of Fendt & Wandelt, but has several additional benefits in terms of ...
متن کاملHurst Parameter Estimation Using Artificial Neural Networks
The Hurst parameter captures the amount of long-range dependence (LRD) in a time series. There are several methods to estimate the Hurst parameter, being the most popular: the variance-time plot, the R/S plot, the periodogram, and Whittle’s estimator. The first three are graphical methods, and the estimation accuracy depends on how the plot is interpreted and calculated. In contrast, Whittle’s ...
متن کاملrodbar dam slope stability analysis using neural networks
در این تحقیق شبکه عصبی مصنوعی برای پیش بینی مقادیر ضریب اطمینان و فاکتور ایمنی بحرانی سدهای خاکی ناهمگن ضمن در نظر گرفتن تاثیر نیروی اینرسی زلزله ارائه شده است. ورودی های مدل شامل ارتفاع سد و زاویه شیب بالا دست، ضریب زلزله، ارتفاع آب، پارامترهای مقاومتی هسته و پوسته و خروجی های آن شامل ضریب اطمینان می شود. مهمترین پارامتر مورد نظر در تحلیل پایداری شیب، بدست آوردن فاکتور ایمنی است. در این تحقیق ...
Radar Pulse Train Parameter Estimation and Tracking using Neural Networks
The post-deinterleaving radar pulse train problem requires estimation of the parameters and tracking of the individual pulse trains. A simple recurrent back-propagation neural network is used based on a simple state space time series formulation of the radar problem. The network incorporates a novel hueristic adap-tive error threshold that allows simultaneously good tracking and parameter estim...
متن کاملRegularization parameter estimation for feedforward neural networks
Under the framework of the Kullback-Leibler (KL) distance, we show that a particular case of Gaussian probability function for feedforward neural networks (NNs) reduces into the first-order Tikhonov regularizer. The smooth parameter in kernel density estimation plays the role of regularization parameter. Under some approximations, an estimation formula is derived for estimating regularization p...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Sadhana
سال: 2000
ISSN: 0256-2499,0973-7677
DOI: 10.1007/bf02703759