3 مقاله
شبکههای تابع پایه شعاعی (RBF) نوعی شبکه عصبی مصنوعی هستند که از توابع پایه شعاعی به عنوان توابع فعالسازی استفاده میکنند. این شبکهها در زمینههای مختلفی مانند تخمین تابع، پیشبینی سریهای زمانی، طبقهبندی و کنترل سیستمها کاربرد دارند. معماری این شبکهها معمولاً شامل سه لایه است: لایه ورودی، لایه پنهان با تابع فعالسازی غیرخطی RBF و لایه خروجی خطی.
رایانههای عصبی تفاضلپذیر (DNC) یک معماری شبکه عصبی با حافظه تقویتشده هستند که توسط DeepMind در سال ۲۰۱۶ معرفی شد. این مدل با الهام از معماری فون نویمان، توانایی یادگیری وظایف الگوریتمی پیچیده را دارد و در مقایسه با شبکههای عصبی سنتی، عملکرد بهتری در پردازش توالیها و گرافها نشان میدهد.
الگوریتم بازپخش تکراری آلمیدا-پینیدا، روشی پیشرفته در یادگیری نظارتشده است که برای شبکههای عصبی تکراری طراحی شده است. این الگوریتم، که ریشههایی در پایاننامه ریچارد فاینمن دارد، بهطور مستقل توسط فرناندو پینیدا و لوییس ب. آلمیدا در زمینه شبکههای عصبی مصنوعی دوباره کشف شد.
