his.sePublikasjoner
Endre søk
Begrens søket
1 - 3 of 3
RefereraExporteraLink til resultatlisten
Permanent link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Treff pr side
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Forfatter A-Ø
  • Forfatter Ø-A
  • Tittel A-Ø
  • Tittel Ø-A
  • Type publikasjon A-Ø
  • Type publikasjon Ø-A
  • Eldste først
  • Nyeste først
  • Skapad (Eldste først)
  • Skapad (Nyeste først)
  • Senast uppdaterad (Eldste først)
  • Senast uppdaterad (Nyeste først)
  • Disputationsdatum (tidligste først)
  • Disputationsdatum (siste først)
  • Standard (Relevans)
  • Forfatter A-Ø
  • Forfatter Ø-A
  • Tittel A-Ø
  • Tittel Ø-A
  • Type publikasjon A-Ø
  • Type publikasjon Ø-A
  • Eldste først
  • Nyeste først
  • Skapad (Eldste først)
  • Skapad (Nyeste først)
  • Senast uppdaterad (Eldste først)
  • Senast uppdaterad (Nyeste først)
  • Disputationsdatum (tidligste først)
  • Disputationsdatum (siste først)
Merk
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Aktius, Malin
    et al.
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    Nordahl, Mats
    Department of Applied Information Technology, Göteborg University and Chalmers University of Technology, Göteborg, Sweden.
    Ziemke, Tom
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    A Behavior-Based Model of the Hydra, Phylum Cnidaria2007Inngår i: 9th European Conference, ECAL 2007: Advances in Artificial Life, Springer Berlin/Heidelberg, 2007, s. 1024-1033Konferansepaper (Fagfellevurdert)
    Abstract [en]

    Behavior-based artificial systems, e.g. mobile robots, are frequently designed using (various degrees and levels of) biology as inspiration, but rarely modeled based on actual quantitative empirical data. This paper presents a data-driven behavior-based model of a simple biological organism, the hydra. Four constituent behaviors were implemented in a simulated animal, and the overall behavior organization was accomplished using a colony-style architecture (CSA). The results indicate that the CSA, using a priority-based behavioral hierarchy suggested in the literature, can be used to model behavioral properties like latency, activation threshold, habituation, and duration of the individual behaviors of the hydra. Limitations of this behavior-based approach are also discussed.

  • 2.
    Aktius, Malin
    et al.
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    Ziemke, Tom
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    Kognitiv robotik2012Inngår i: Kognitionsvetenskap / [ed] Jens Allwood, Mikael Jensen, Studentlitteratur, 2012, 1, s. 551-560Kapittel i bok, del av antologi (Fagfellevurdert)
  • 3.
    Morse, Anthony
    et al.
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    Aktius, Malin
    Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi.
    Dynamic liquid association: Complex learning without implausible guidance2009Inngår i: Neural Networks, ISSN 0893-6080, E-ISSN 1879-2782, Vol. 22, nr 7, s. 875-889Artikkel i tidsskrift (Fagfellevurdert)
    Abstract [en]

    Simple associative networks have many desirable properties, but are fundamentally limited by their inability to accurately capture complex relationships. This paper presents a solution significantly extending the abilities of associative networks by using an untrained dynamic reservoir as an input filter. The untrained reservoir provides complex dynamic transformations, and temporal integration, and can be viewed as a complex non-linear feature detector from which the associative network can learn. Typically reservoir systems utilize trained single layer perceptrons to produce desired output responses. However given that both single layer perceptions and simple associative learning have the same computational limitations, i.e. linear separation, they should perform similarly in terms of pattern recognition ability. Further to this the extensive psychological properties of simple associative networks and the lack of explicit supervision required for associative learning motivates this extension overcoming previous limitations. Finally, we demonstrate the resulting model in a robotic embodiment, learning sensorimotor contingencies, and matching a variety of psychological data. (C) 2008 Elsevier Ltd. All rights reserved.

1 - 3 of 3
RefereraExporteraLink til resultatlisten
Permanent link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf