Dunay R. Modified CMAC Neural Network Architectures for Nonlinear Dynamic System Modelling. (1993) Megjelent: Proceedings of the International Conference on Artificial Neural Networks, ICANN 93 p. 473, 2610921
Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[2610921]
  1. Almeida P. Neural Optimal Control of PEM Fuel Cells with Parametric CMAC Networks. (2005) Industry Applications, IEEE Transactions on 41 1 237-245
    Folyóiratcikk[23922941] [Jóváhagyott]
    Független, Idéző: 23922941, Kapcsolat: 23922941
  2. Almeida P. Parametric CMAC networks: fundamentals and applications of a fast convergence neural structure. (2003) Industry Applications, IEEE Transactions on 39 5 1551-1557
    Folyóiratcikk[23922940] [Jóváhagyott]
    Független, Idéző: 23922940, Kapcsolat: 23922940
G Horváth et al. Recurrent CMAC: A Powerful Neural Network for System Identification. (1996) Megjelent: Conference proceedings : IMTC/96, IMEKO TC-7 : Joint Conference 1996: IEEE Instrumentation and Measurement Technology Conferenc... pp. 992-997, 2605798
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2605798]
  1. Lin C et al. Adaptive filter design using recurrent cerebellar model articulation controller. (2010) IEEE TRANSACTIONS ON NEURAL NETWORKS 1045-9227 1941-0093 2162-237X 21 7 1149-1157
    Folyóiratcikk[23887259] [Admin láttamozott]
    Független, Idéző: 23887259, Kapcsolat: 23887259
  2. Ching-Tsan Chiang. A Converged Recurrent Structure for CMAC_GBF and S_CMAC_GBF. (2007) Megjelent: Industrial Electronics, 2007. ISIE 2007. IEEE International Symposium on pp. 1876-1881
    Egyéb konferenciaközlemény[23887257] [Jóváhagyott]
    Független, Idéző: 23887257, Kapcsolat: 23887257
  3. Wang SW et al. Valve fault detection and diagnosis based on CMAC neural networks. (2004) ENERGY AND BUILDINGS 0378-7788 36 6 599-610
    Folyóiratcikk[23887258] [Admin láttamozott]
    Független, Idéző: 23887258, Kapcsolat: 23887258
Horváth G et al. Modelling of Non-linear Dynamic Systems by Using Neural Networks. (1996) Megjelent: Proceedings of the IEEE Symposium on Industrial Electronics, ISIE. Vol 1. pp. 92-97, 2610925
Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[2610925]
  1. Baez-Rivera Y. An attempt to forecast price spikes in electric power markets. (2006) Megjelent: 2006 38th Annual North American Power Symposium, NAPS-2006 Proceedings pp. 143-148
    Egyéb konferenciaközlemény[23922943] [Admin láttamozott]
    Független, Idéző: 23922943, Kapcsolat: 23922943
  2. Yamilka Isabel. Improved Gray-Box Modeling of Electric Drives using Neural Networks. (2003)
    Disszertáció[23922942] [Jóváhagyott]
    Független, Idéző: 23922942, Kapcsolat: 23922942
B Pataki et al. Effects of database characteristics on the neural modeling of an industrial process. (1998) Megjelent: Symposium on Neural Computation pp. 834-840, 2605815
Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[2605815]
  1. Székely Nóra. Simplifying the Model of a Complex Industrial Process Using Input Variable Selection. (2003) PERIODICA POLYTECHNICA-ELECTRICAL ENGINEERING 0324-6000 1587-3781 2064-5260 2064-5279 47 1-2 141-147
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[2628332] [Admin láttamozott]
    Független, Idéző: 2628332, Kapcsolat: 23887291
  2. I C Mochmann. Lifestyles, social milieus and voting behaviour in Germany. (2002)
    Disszertáció/Külföldi fokozat (nem PhD) (Disszertáció)[23887290] [Jóváhagyott]
    Független, Idéző: 23887290, Kapcsolat: 23887290
  3. Poschmann M. Einsatz neuronaler Netze zur Optimierung der Prozeßführung bei der Blasstrahlerzeugung. (2000)
    Disszertáció/Egyetemi doktor (Disszertáció)/Tudományos[24942364] [Jóváhagyott]
    Független, Idéző: 24942364, Kapcsolat: 24942364
G Horváth et al. Neural Modeling of a Linz-Donawitz Steel Converter: Difficulties and Solutions. (1998) Megjelent: Proceedings of the Sixth European Congress on Intelligent Techniques and Soft Computing (EUFIT'98) pp. 1516-1521, 2606213
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2606213]
  1. Poschmann M. Einsatz neuronaler Netze zur Optimierung der Prozeßführung bei der Blasstrahlerzeugung. (2000)
    Disszertáció/Egyetemi doktor (Disszertáció)/Tudományos[24942368] [Jóváhagyott]
    Független, Idéző: 24942368, Kapcsolat: 24942368
Szabo T et al. Finite word length computational effects of the principal component analysis networks. (1998) IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 0018-9456 47 5 1218-1222, 2608835
Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[2608835]
  1. Forouzannezhad Parisa et al. A survey on applications and analysis methods of functional magnetic resonance imaging for Alzheimer's disease. (2019) JOURNAL OF NEUROSCIENCE METHODS 0165-0270 317 121-140
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[31055357] [Érvényesített]
    Független, Idéző: 31055357, Kapcsolat: 28624425
  2. Suma H. Clustering Principal Components for Identification and Analysis of Prime Activity and Accompanying Activities in Scattered fMRI Data. (2007) Megjelent: Conference on Computational Intelligence and Multimedia Applications, 2007. International Conference on pp. 522-526
    Egyéb konferenciaközlemény[23902162] [Jóváhagyott]
    Független, Idéző: 23902162, Kapcsolat: 23902162
  3. Fakhraie SM. Scalable closed-boundary analog neural networks. (2004) IEEE Trans. Neural Netw. 15 2 492-504
    Folyóiratcikk[23902161] [Admin láttamozott]
    Független, Idéző: 23902161, Kapcsolat: 23902161
B Kövesi. Real time vector quantization of LSP parameters. (1999) SPEECH COMMUNICATION 0167-6393 29 1 39-47, 2610529
Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[2610529]
  1. Abu El-Yazeed. Sinusoidal coding of speech at low bit rate. (2004) JOURNAL OF ENGINEERING AND APPLIED SCIENCE 1110-1903 51 5 1019-1035
    Folyóiratcikk[23922738] [Admin láttamozott]
    Független, Idéző: 23922738, Kapcsolat: 23922738
  2. Ohu Chien. A Study on Efficient Algorithms for Temporal Decomposition of Speech. (2003)
    Disszertáció/PhD (Disszertáció)[23922736] [Jóváhagyott]
    Független, Idéző: 23922736, Kapcsolat: 23922736
  3. Nanda Prasetiyo. Robust Linear Prediction Analysis for Low Bit-rate Speech Coding. (2002)
    Disszertáció/PhD (Disszertáció)[23922737] [Jóváhagyott]
    Független, Idéző: 23922737, Kapcsolat: 23922737
  4. Lee MS et al. A new distortion measure for spectral quantization based on the LSF intermodel interlacing property. (2001) SPEECH COMMUNICATION 0167-6393 35 3-4 191-202
    Folyóiratcikk[23922734] [Admin láttamozott]
    Független, Idéző: 23922734, Kapcsolat: 23922734
  5. A A Lanne. The new Theory of the Linear Spectral Root. (2000) Megjelent: Mezsdunarodnaja Konferencija DSPA-200
    Egyéb konferenciaközlemény[23922735] [Jóváhagyott]
    Független, Idéző: 23922735, Kapcsolat: 23922735
Horváth G et al. Black box modeling of a complex industrial process. (1999) Megjelent: International Conference and Workshop on Engineering of Computer-Based Systems, ECBS '99 pp. 60-66, 2605820
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2605820]
  1. Carlucci Antonio et al. An improved parameter identification schema for the dynamic model of LD converters. (2015) JOURNAL OF PROCESS CONTROL 0959-1524 31 64-72
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[25471324] [Jóváhagyott]
    Független, Idéző: 25471324, Kapcsolat: 24942332
  2. J. Valyon. Extended LS-SVM for System Modeling: Kiterjesztett LS-SVM és alkalmazása rendszermodellezési feladatokban. (2008)
    Disszertáció/PhD (Disszertáció)/Tudományos[2628341] [Admin láttamozott]
    Független, Idéző: 2628341, Kapcsolat: 23887298
  3. Joni-Kristian Kämäräinen. TERÄKSEN VAKUUMIKÄSITTELYN VISUAALINEN LAADUNARVIOINTI. (2003)
    Egyéb[23887301] [Jóváhagyott]
    Független, Idéző: 23887301, Kapcsolat: 23887301
  4. J Van. Nonlinear Identification With Neural Networks and Fuzzy Logic. (2000)
    Disszertáció/PhD (Disszertáció)[23887297] [Jóváhagyott]
    Független, Idéző: 23887297, Kapcsolat: 23887297
  5. Kamarainen J-K. Neural prediction of hydrogen in vacuum tank degassing. (2000) Megjelent: 58 th Electric Furnace Conference and 17 th Process Technology Conference pp. 741-749
    Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[24569662] [Jóváhagyott]
    Független, Idéző: 24569662, Kapcsolat: 24569662
  6. Van Gorp et al. Learning neural networks with noisy inputs using the errors-in-variables approach. (2000) IEEE TRANSACTIONS ON NEURAL NETWORKS 1045-9227 1941-0093 2162-237X 11 2 402-414
    Folyóiratcikk[23887300] [Jóváhagyott]
    Független, Idéző: 23887300, Kapcsolat: 23887300
Tamás Szabó. CMAC and its Extensions for Efficient System Modelling. (1999) INTERNATIONAL JOURNAL OF APPLIED MATHEMATICS AND COMPUTER SCIENCE 1641-876X 2083-8492 9 3 571-598, 2606068
Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[2606068]
  1. PETER SCARFE. Dynamic memory allocation for CMAC using binary search trees. (2007) Megjelent: Proceedings of the 8th International WEAS Conference on Neural Networks pp. 61-66
    Egyéb konferenciaközlemény[23888368] [Jóváhagyott]
    Független, Idéző: 23888368, Kapcsolat: 23888368
  2. Q Zhao et al. Hardware Implementation of CMAC and B-Spline Neural Networks for Embedded Applications. (2005) Megjelent: Proceedings of International Joint Conference on Neural Networks pp. 657-662
    Egyéb konferenciaközlemény[23888369] [Jóváhagyott]
    Független, Idéző: 23888369, Kapcsolat: 23888369
  3. Elmar M. Nonlinear flight control design for the X-38 using CMAC neural networks. (2001) Megjelent: AIAA Guidance, Navigation, and Control Conference and Exhibit
    Egyéb konferenciaközlemény[23888370] [Jóváhagyott]
    Független, Idéző: 23888370, Kapcsolat: 23888370
B Pataki. Inverse Neural Modeling of a Linz-Donawitz Steel Converter. (2000) ELEKTROTECHNIK UND INFORMATIONSTECHNIK 0932-383X 1613-7620 117 1 13-17, 2605794
Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[2605794]
  1. A P Carlucci et al. An improved parameter identification schema for the dynamic model of LD converters. (2015) JOURNAL OF PROCESS CONTROL 0959-1524 31 64-72
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[24942334] [Jóváhagyott]
    Független, Idéző: 24942334, Kapcsolat: 24942334
  2. Chao. Design of Synthesis Automatic Control System For Steel-making Converter. (2005) AUTOMATION & INSTRUMENTATION 20 6 1-3
    Folyóiratcikk[23887253] [Jóváhagyott]
    Független, Idéző: 23887253, Kapcsolat: 23887253
  3. TIAN Chao. A BOF Static Model based on the Incremental Neural Network. (2005) TECHNIQUES OF AUTOMATION AND APPLICATIONS 24 5 17-19
    Folyóiratcikk[23887254] [Admin láttamozott]
    Független, Idéző: 23887254, Kapcsolat: 23887254
T Szabó et al. A full-parallel digital implementation for pre-trained NNs. (2000) Megjelent: Proceedings of the International Joint Conference on Neural Networks, IJCNN2000 pp. 49-54, 2610941
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2610941]
  1. Sharify Sayeh et al. Loom: Exploiting Weight and Activation Precisions to Accelerate Convolutional Neural Networks. (2018) Megjelent: 2018 55TH ACM/ESDA/IEEE DESIGN AUTOMATION CONFERENCE (DAC)
    Könyvrészlet/Tudományos[30557957] [Érvényesített]
    Független, Idéző: 30557957, Kapcsolat: 28018349
  2. Judd Patrick et al. Stripes: Bit-Serial Deep Neural Network Computing. (2017) IEEE Computer Architecture Letters 1556-6056 16 1 80-83
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[26753410] [Jóváhagyott]
    Független, Idéző: 26753410, Kapcsolat: 26753410
  3. Judd Patrick. Stripes: Bit-Serial Deep Neural Network Computing. (2016) International Symposium on Microarchitecture Proceedings 1072-4451 Taipei
    Folyóiratcikk/Konferenciaközlemény (Folyóiratcikk)/Tudományos[26396187] [Jóváhagyott]
    Független, Idéző: 26396187, Kapcsolat: 26396187
  4. Bosque G et al. Fuzzy systems, neural networks and neuro-fuzzy systems: A vision on their hardware implementation and platforms over two decades. (2014) ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE 0952-1976 32 283-331
    Folyóiratcikk/Szakcikk (Folyóiratcikk)[24542469] [Jóváhagyott]
    Független, Idéző: 24542469, Kapcsolat: 24542469
  5. Hong-Phuc Trinh et al. Efficient Data Encoding for Convolutional Neural Network application. (2014) ACM TRANSACTIONS ON ARCHITECTURE AND CODE OPTIMIZATION 1544-3566 1544-3973 11 4
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[24905521] [Jóváhagyott]
    Független, Idéző: 24905521, Kapcsolat: 24905521
  6. Toma S et al. Wound-rotor induction generator inter-turn short-circuits diagnosis using a new digital neural network. (2013) IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 0278-0046 60 9 4043-4052
    Folyóiratcikk[23922959] [Admin láttamozott]
    Független, Idéző: 23922959, Kapcsolat: 23922959
  7. Capocchi L. Wound-rotor induction generator short-circuit fault classification using a new neural network based on digital data. (2011) Megjelent: SDEMPED 2011 - 8th IEEE Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives pp. 638-644
    Egyéb konferenciaközlemény[23922956] [Jóváhagyott]
    Független, Idéző: 23922956, Kapcsolat: 23922956
  8. Bhaduri K et al. Privacy-preserving outlier detection through random nonlinear data distortion. (2011) IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS 1083-4419 41 1 260-272
    Folyóiratcikk[23922957] [Admin láttamozott]
    Független, Idéző: 23922957, Kapcsolat: 23922957
  9. Saumil G. Evolvable Block-Based Neural Network Design for Applications in Dynamic Environments. (2010) VLSI Design (Hindawi Publishing Corporation) 2010 1-25
    Folyóiratcikk[23922953] [Jóváhagyott]
    Független, Idéző: 23922953, Kapcsolat: 23922953
  10. Gregory D. ADVANCED COMPUTING ARCHITECTURES FOR COGNITIVE PROCESSING. (2009)
    Egyéb[23922954] [Jóváhagyott]
    Független, Idéző: 23922954, Kapcsolat: 23922954
  11. Bernard Girau. Springer US: FPNA: concepts and properties. (2006) Megjelent: FPGA Implementations of Neural Networks pp. 63-101
    Könyvrészlet[23922945] [Jóváhagyott]
    Független, Idéző: 23922945, Kapcsolat: 23922945
  12. Chun-Chang Yu. Hardwae Design of an Adaptive Neuro-Fuzzy Network with on-chip Learning Capability and Fine Grain Pipeline structure. (2006)
    Disszertáció/Külföldi fokozat (nem PhD) (Disszertáció)[23922955] [Jóváhagyott]
    Független, Idéző: 23922955, Kapcsolat: 23922955
  13. DONG PUXUAN. Design, Analysis and Real-Time Realization of Artificial Neural. (2006)
    Disszertáció/PhD (Disszertáció)[23922952] [Jóváhagyott]
    Független, Idéző: 23922952, Kapcsolat: 23922952
  14. BALLAGI Áron. Intelligent Acoustic Crack Analysis on DSP Platform. (2004) Megjelent: ASR '2004 Seminar, Instruments and Control
    Egyéb konferenciaközlemény[23922950] [Jóváhagyott]
    Független, Idéző: 23922950, Kapcsolat: 23922950
  15. Groza V. Parametric mapping of neural networks to fine-grained FPGAs. (2003) Megjelent: International Symposium on Signals, Circuits and Systems, SCS 2003 pp. 541-544
    Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[26124593] [Jóváhagyott]
    Független, Idéző: 26124593, Kapcsolat: 26124593
  16. Young-Joo Kim. Expansible & Reconfigurable Neuro Informatics Engine : ERNIE. (2003) THE TRANSACTIONS OF THE KOREAN INSTITUTE OF ELECTRICAL ENGINEERS 1975-8359 2287-4364 40 6 56-68
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[23922947] [Jóváhagyott]
    Független, Idéző: 23922947, Kapcsolat: 23922947
  17. 森江隆. Artificial Neural network LSI. (2003) The Brain & Neural Networks 1340-766X 1883-0455 10 2 68-76
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[23922946] [Jóváhagyott]
    Független, Idéző: 23922946, Kapcsolat: 23922946
  18. Noory B. A Reconfigurable Approach to Hardware Implementation of Neural Networks. (2003) Megjelent: Canadian Conference on Electrical and Computer Engineering pp. 1861-1864
    Egyéb konferenciaközlemény[23922958] [Jóváhagyott]
    Független, Idéző: 23922958, Kapcsolat: 23922958
  19. B Noory. A reconfigurable approach to Hardware Implementation of Neural Networks. (2003) Megjelent: IEEE International Symposium on Signals, Circuits & Systems, SCS 2003 pp. 541-544
    Egyéb konferenciaközlemény[23922951] [Jóváhagyott]
    Független, Idéző: 23922951, Kapcsolat: 23922951
  20. Seok Bae. Hardware implementation of neural network with expansible and reconfigurable architecture. (2002) Megjelent: Neural Information Processing, 2002. ICONIP '02. Proceedings of the 9th International Conference on pp. 970-975
    Egyéb konferenciaközlemény[23922949] [Jóváhagyott]
    Független, Idéző: 23922949, Kapcsolat: 23922949
  21. Lim Guk-Chan. Bit-level Array Structure Representation of Weight and Optimization Method to Design Pre-Trained Neural Network. (2002) Journal of the Institute of Electronics Engineers of Korea 1229-6376 39 9 37-44
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[23922948] [Jóváhagyott]
    Független, Idéző: 23922948, Kapcsolat: 23922948
T Szabó et al. Improving the generalization capability of the binary CMAC. (2000) Megjelent: Proceedings of the International Joint Conference on Neural Networks, IJCNN2000 pp. 85-90, 2610942
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2610942]
  1. Escandell-Montero P. Adaptive treatment of anemia on hemodialysis patients: A reinforcement learning approach. (2011) Megjelent: IEEE SSCI 2011: Symposium Series on Computational Intelligence - CIDM 2011: 2011 IEEE Symposium on Computational Intelligence a... pp. 44-49
    Egyéb konferenciaközlemény[23922970] [Admin láttamozott]
    Független, Idéző: 23922970, Kapcsolat: 23922970
  2. Richard Neville. Third-order generalization: A new approach to categorizing higher-order generalizatiion. (2008) NEUROCOMPUTING 0925-2312 71 1477-1499
    Folyóiratcikk[23922969] [Jóváhagyott]
    Független, Idéző: 23922969, Kapcsolat: 23922969
  3. Kaiping L et al. The relationship between the multi-collinearity and the generalization capability of the neural network forecast model. (2006) Megjelent: Proceedings of the World Congress on Intelligent Control and Automation (WCICA) pp. 56-60
    Egyéb konferenciaközlemény[23922973] [Admin láttamozott]
    Független, Idéző: 23922973, Kapcsolat: 23922973
  4. JU Quan-yong. Research on Job Shop Scheduling of Makespan and Operating Cost with Bi-direction and Dual-objective Based on Genetic Algorithm. (2006) MACHINE BUILDING & AUTOMATION 35 6 1-5
    Folyóiratcikk[23922965] [Jóváhagyott]
    Független, Idéző: 23922965, Kapcsolat: 23922965
  5. Jiun-Chi Jan et al. Inverse training scheme for MS_CMAC neural network to handle random. (2006) NEUROCOMPUTING 0925-2312 70 1-3 502-512
    Folyóiratcikk[23922963] [Admin láttamozott]
    Független, Idéző: 23922963, Kapcsolat: 23922963
  6. G Martinez. Results of Applying Sensor Fusion to a Control System Using Optic Flow. (2005) Megjelent: Climbing and Walking Robots, roceedings of the 7th International Conference CLAWAR 2004 pp. 367-375
    Könyvrészlet[23922962] [Jóváhagyott]
    Független, Idéző: 23922962, Kapcsolat: 23922962
  7. ZHOU Shu-chun. Research on Learning and Generalization Capability of CMAC: An Overview. (2005) COMPUTER SIMULATION 1006-9348 22 6 5-7
    Folyóiratcikk[23922966] [Jóváhagyott]
    Független, Idéző: 23922966, Kapcsolat: 23922966
  8. ZHOU Shu-chun. A Study on the Learning Speed of CMAC. (2005)
    Disszertáció/PhD (Disszertáció)[23922967] [Jóváhagyott]
    Független, Idéző: 23922967, Kapcsolat: 23922967
  9. Martinez G. Preliminary results from a real time control system using optical information. (2004) Megjelent: 2004 Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics pp. 5923-5928
    Egyéb konferenciaközlemény[23922968] [Admin láttamozott]
    Független, Idéző: 23922968, Kapcsolat: 23922968
  10. Kinak karakterek. Kinai karakterek CMAC. (2004) JOURNAL OF COMPUTER APPLICATIONS 24 z2 139-140
    Folyóiratcikk[23922964] [Jóváhagyott]
    Független, Idéző: 23922964, Kapcsolat: 23922964
  11. Sayil S. A hybrid maximum error algorithm with neighborhood training for CMAC. (2002) Megjelent: Proceedings of the 2002 International Joint Conference on Neural Networks, IJCNN '02 pp. 165-170
    Egyéb konferenciaközlemény[23922960] [Admin láttamozott]
    Független, Idéző: 23922960, Kapcsolat: 23922960
  12. Hung-Ren Lai et al. A fuzzy CMAC structure and learning method for function approximation. (2001) Megjelent: 10TH IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, VOLS 1-3 - MEETING THE GRAND CHALLENGE: MACHINES THAT SERVE PEOPLE pp. 436-439
    Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[23922961] [Jóváhagyott]
    Független, Idéző: 23922961, Kapcsolat: 23922961
Berényi P et al. Hybrid-Neural Modeling of a Complex Industrial Process. (2001) Megjelent: Rediscovering measurement in the age of informatics: Proceedings of the 18th IEEE Instrumentation and Measurement Technology Co... pp. 1424-1429, 2606215
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2606215]
  1. A P Carlucci et al. An improved parameter identification schema for the dynamic model of LD converters. (2015) JOURNAL OF PROCESS CONTROL 0959-1524 31 64-72
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[24942328] [Jóváhagyott]
    Független, Idéző: 24942328, Kapcsolat: 24942328
  2. Bello S. A computational modelling and design of the Adire making process using modular Petri net. (2010) Megjelent: Proceedings of the 3rd IASTED African Conference on Modelling and Simulation, AfricaMS 2010 pp. 78-82
    Egyéb konferenciaközlemény[23889160] [Admin láttamozott]
    Független, Idéző: 23889160, Kapcsolat: 23889160
  3. D Xu. Stability Analysis for a Kind of Hybrid Interconnected Systems. (2007) Journal of Systems Science and Information 1478-9906 5 1 15-28
    Folyóiratcikk[23889154] [Jóváhagyott]
    Független, Idéző: 23889154, Kapcsolat: 23889154
  4. TIAN She-ping et al. Application of Back Propagation Artificial Neural Networks on Dynamic Compensation of Measurement Systems. (2005) J0URNAL OF TEST AND MEASUREMENT TECHNOLOGY 1.19 5 453-458
    Folyóiratcikk[23889155] [Jóváhagyott]
    Független, Idéző: 23889155, Kapcsolat: 23889155
Horvath G et al. CMAC Neural Network with Improved Generalization Property for System Modeling. (2002) Megjelent: Proceedings of the 19th IEEE Instrumentation and Measurement Technology Conference, IMTC/2002 pp. 1603-1608, 2621793
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2621793]
  1. Tsao Yu et al. Adaptive Noise Cancellation Using Deep Cerebellar Model Articulation Controller. (2018) IEEE ACCESS 2169-3536 6 37395-37402
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[27573140] [Admin láttamozott]
    Független, Idéző: 27573140, Kapcsolat: 27573140
  2. Taghavipour A et al. Implementation of an optimal control strategy for a hydraulic hybrid vehicle using CMAC and RBF networks. (2012) SCIENTIA IRANICA 1026-3098 2345-3605 19 2 327-334
    Folyóiratcikk[23947908] [Admin láttamozott]
    Független, Idéző: 23947908, Kapcsolat: 23947908
  3. Yu W et al. Self-optimizing for the structure of CMAC neural network. (2010) Megjelent: 2010 3rd International Symposium on Knowledge Acquisition and Modeling, KAM 2010 pp. 432-436
    Egyéb konferenciaközlemény[23947902] [Admin láttamozott]
    Független, Idéző: 23947902, Kapcsolat: 23947902
  4. Chang P et al. Grey relational analysis based approach for CMAC learning. (2010) INTERNATIONAL JOURNAL OF INNOVATIVE COMPUTING INFORMATION AND CONTROL 1349-4198 6 9 4001-4018
    Folyóiratcikk[23947903] [Admin láttamozott]
    Független, Idéző: 23947903, Kapcsolat: 23947903
  5. Yang Y. A novel approach of enhancing CMAC learning mechanism. (2010) Megjelent: Proceedings of the 2010 International Conference on Artificial Intelligence, ICAI 2010 pp. 228-232
    Egyéb konferenciaközlemény[23947909] [Admin láttamozott]
    Független, Idéző: 23947909, Kapcsolat: 23947909
  6. Chang P. A CMAC learning approach based on grey relational analysis. (2009) Megjelent: Proceedings of the 2009 International Conference on Artificial Intelligence, ICAI 2009 pp. 571-574
    Egyéb konferenciaközlemény[23947910] [Admin láttamozott]
    Független, Idéző: 23947910, Kapcsolat: 23947910
  7. Neville R. Third-order generalization: A new approach to categorizing higher-order. (2008) NEUROCOMPUTING 0925-2312 71 7-9 1477-1499
    Folyóiratcikk[23947900] [Admin láttamozott]
    Független, Idéző: 23947900, Kapcsolat: 23947900
  8. Yu W et al. Optimizing structural parameters for CMAC (Cerebellar Model Articulation Controller) neural network. (2008) XIBEI GONGYE DAXUE XUEBAO/JOURNAL OF NORTHWESTERN POLYTECHNICAL UNIVERSITY 1000-2758 26 6 732-737
    Folyóiratcikk[23947905] [Admin láttamozott]
    Független, Idéző: 23947905, Kapcsolat: 23947905
  9. Lin KP et al. The relationship between the multi-collinearity and the generalization capability of the neural network forecast model. (2006) Megjelent: WCICA 2006: Sixth World Congress on Intelligent Control and Automation, Vols 1-12, Conference Proceedings pp. 56-60
    Egyéb konferenciaközlemény[23947901] [Admin láttamozott]
    Független, Idéző: 23947901, Kapcsolat: 23947901
  10. Zhi-Wen Wu. Turbojet Modeling and Simulation in Wind Milling Based on ANFIS. (2005) Journal of Propulsion Technology 26 2 162-166
    Folyóiratcikk[23947896] [Admin láttamozott]
    Független, Idéző: 23947896, Kapcsolat: 23947896
  11. LIU Qing. Improving sensor's dynamic characteristics by nonlinear inverse filtering of CMAC. (2005) CONTROL THEORY & APPLICATIONS 22 5 758-761
    Folyóiratcikk[23947899] [Admin láttamozott]
    Független, Idéző: 23947899, Kapcsolat: 23947899
  12. Zhou Shu-chun et al. CMAC learning performance and generalization performance Review of Research on Learning and Generalization Capability of CMAC: An Overview. (2005) COMPUTER SIMULATION 1006-9348 22 6 5-7
    Folyóiratcikk[23947897] [Admin láttamozott]
    Független, Idéző: 23947897, Kapcsolat: 23947897
  13. Liu Qing. CMAC based on the nonlinear inverse filter compensation thermistor measurement errors. (2005) Chinese Journal of Scientific Instrument 26 10 1077-1080
    Folyóiratcikk[23947898] [Admin láttamozott]
    Független, Idéző: 23947898, Kapcsolat: 23947898
  14. Zhou Shu-chun. A generalization can improve the performance of multi-network combination of methods CMAC. (2004) JOURNAL OF COMPUTER APPLICATIONS 24
    Folyóiratcikk[23947895] [Admin láttamozott]
    Független, Idéző: 23947895, Kapcsolat: 23947895
G Horvath. Neural Networks in Measurement systems. (2003) Megjelent: Advances in Learning Theory: Methods, Models and Applications pp. 375-402, 2610520
Könyvrészlet/Könyvfejezet (Könyvrészlet)/Tudományos[2610520]
  1. K Yi et al. A hidden Markov model-based text classification of medical documents. (2009) JOURNAL OF INFORMATION SCIENCE 0165-5515 1741-6485 35 1 67-81
    Folyóiratcikk[23922724] [Jóváhagyott]
    Független, Idéző: 23922724, Kapcsolat: 23922724
  2. Paul D et al. SiteSeek: Post-translational modification analysis using adaptive locality-effective kernel methods and new profiles. (2008) BMC BIOINFORMATICS 1471-2105 9 p. 272
    Folyóiratcikk[23922725] [Jóváhagyott]
    Független, Idéző: 23922725, Kapcsolat: 23922725
G Horvath. Neural networks in system identification. (2003) Megjelent: Neural Networks in Measurement Systems pp. 43-78, 2610518
Könyvrészlet/Könyvfejezet (Könyvrészlet)/Tudományos[2610518]
  1. Tarantino Cristina et al. Ailanthus altissima mapping from multi-temporal very high resolution satellite images. (2019) ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 0924-2716 147 90-103
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[30557880] [Érvényesített]
    Független, Idéző: 30557880, Kapcsolat: 28018215
  2. Hernandez Y et al. Artificial Neural Network Based System Identification of an Irrigation Main Canal Pool. (2017) IEEE LATIN AMERICA TRANSACTIONS 1548-0992 15 9 1595-1600
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[26922809] [Admin láttamozott]
    Független, Idéző: 26922809, Kapcsolat: 26922809
  3. Saniei Elham et al. Parameter estimation of breast tumour using dynamic neural network from thermal pattern. (2016) JOURNAL OF ADVANCED RESEARCH 2090-1232 7 6 1045-1055
    Folyóiratcikk/Szakcikk (Folyóiratcikk)/Tudományos[26396186] [Admin láttamozott]
    Független, Idéző: 26396186, Kapcsolat: 26396186
  4. Petia Koprinkova-Hristova. NEURAL NETWORK SOFTWARE SENSORS DESIGN FOR LYSINE FERMENTATION PROCESS. (2008) APPLIED ARTIFICIAL INTELLIGENCE 0883-9514 22 3 235-253
    Folyóiratcikk[23922715] [Admin láttamozott]
    Független, Idéző: 23922715, Kapcsolat: 23922715
  5. Nelly Noykova. A HYBRID APPROACH FOR MODELLING OF MICROBIAL POPULATION DYNAMICS: AN EXAMPLE OF ANAEROBIC WASTEWATER TREATMENT. (2004) Ekologicsno inzsenersztvo i opazvanye na okolnata szreda 4 1-8
    Folyóiratcikk[23922714] [Jóváhagyott]
    Független, Idéző: 23922714, Kapcsolat: 23922714
Gy Strausz et al. Intelligent Solution for Mammography Image Diagnoses. (2003) Megjelent: 8th International Conference on Engineering Applications of Neural Networks pp. 270-276, 2606220
Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[2606220]
  1. Hernandez-Cisneros RR et al. Detection and Classification of Microcalcification Clusters in Mammograms using Evolutionary Neural Networks. (2008) ADVANCED COMPUTATIONAL INTELLIGENCE PARADIGMS IN HEALTHCARE - 3 107 151-180
    Folyóiratcikk[23889167] [Jóváhagyott]
    Független, Idéző: 23889167, Kapcsolat: 23889167
Horváth G. CMAC Neural Network as an SVM with B-Spline Kernel Functions. (2003) Megjelent: Proceedings of the 20th IEEE Instrumentation and Measurement Technology Conference, IMTC/2003 pp. 1108-1113, 2610949
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2610949]
  1. Liu M. Three categories customer churn prediction based on the adjusted real adaboost. (2011) Communications in Statistics: Simulation and Computation 40 10 1548-1562
    Folyóiratcikk[23922987] [Admin láttamozott]
    Független, Idéző: 23922987, Kapcsolat: 23922987
  2. Zne-Jung Lee. A robust learning algorithm based on support vector regression and robust fuzzy cerebellar model articulation. (2008) APPLIED INTELLIGENCE 0924-669X 29 1 47-55
    Folyóiratcikk[23922985] [Jóváhagyott]
    Független, Idéző: 23922985, Kapcsolat: 23922985
  3. Teddy SD et al. Hierarchically clustered adaptive quantization CMAC and its learning. (2007) IEEE TRANSACTIONS ON NEURAL NETWORKS 1045-9227 1941-0093 2162-237X 18 6 1658-1682
    Folyóiratcikk[23922986] [Admin láttamozott]
    Független, Idéző: 23922986, Kapcsolat: 23922986
  4. Jiang Fuhua. SVM-Based Negative Data Mining to Binary Classification. (2006)
    Disszertáció/PhD (Disszertáció)[23922984] [Jóváhagyott]
    Független, Idéző: 23922984, Kapcsolat: 23922984
  5. Ching-Tsan Chiang. Hardware Implementation of a Simple Structure of Addressing Technique for CMAC_GBF. (2005) Megjelent: Industrial Electronics, 2005. ISIE 2005. Proceedings of the IEEE International Symposium on pp. 139-144
    Egyéb konferenciaközlemény[23922983] [Admin láttamozott]
    Független, Idéző: 23922983, Kapcsolat: 23922983
Horváth G. CMAC: Reconsidering an Old Neural Network. (2003) Megjelent: Proceedings of the Intelligent Control Systems and Signal Processing, ICONS 2003 pp. 173-178, 2610948
Egyéb konferenciaközlemény/Konferenciaközlemény (Egyéb konferenciaközlemény)/Tudományos[2610948]
  1. SD Teddy et al. Hierarchically Clustered Adaptive Quantization CMAC and Its Learning Convergence. (2007) Neural Networks, IEEE Transactions on 18 6 1658-1682
    Folyóiratcikk[23922978] [Jóváhagyott]
    Független, Idéző: 23922978, Kapcsolat: 23922978
  2. P Scarfe. Dynamic memory allocation for CMAC using binary search trees. (2007) Megjelent: Proceedings of the 8th Conference on 8th WSEAS International Conference on Neural Networks pp. 61-66
    Egyéb konferenciaközlemény[23922979] [Jóváhagyott]
    Független, Idéző: 23922979, Kapcsolat: 23922979
  3. D A Rachkovsky et al. Resolution of Binary Coding of Real-Valued Vectors by Hyperrectangular Receiptive Fields. (2005) CYBERNETICS AND SYSTEMS ANALYSIS 1060-0396 1573-8337 41 5 635-646
    Folyóiratcikk[23922980] [Jóváhagyott]
    Független, Idéző: 23922980, Kapcsolat: 23922980
  4. Qiuye Zhao et al. Hardware implementation of CMAC and B-spline neural networks for embedded applications. (2005) Megjelent: Neural Networks, 2005. IJCNN '05. Proceedings. 2005 IEEE International Joint Conference on pp. 657-662
    Egyéb konferenciaközlemény[23922981] [Jóváhagyott]
    Független, Idéző: 23922981, Kapcsolat: 23922981
Horváth G. Neural Networks from the Perspective of Measurement Systems. (2003) Megjelent: Proceedings of the 20th IEEE Instrumentation and Measurement Technology Conference, IMTC/2003 pp. 1102-1107, 2610951
Könyvrészlet/Konferenciaközlemény (Könyvrészlet)/Tudományos[2610951]
  1. Hou Y. Research on monitoring system of circuit breakers based on neural networks. (2010) Megjelent: 2010 International Conference on Machine Vision and Human-Machine Interface, MVHI 2010 pp. 436-439
    Egyéb konferenciaközlemény[23922992] [Admin láttamozott]
    Független, Idéző: 23922992, Kapcsolat: 23922992
2020-05-26 23:13