PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
1999 | nr 522 | 37--51
Tytuł artykułu

Sieć Kohonena jako metoda szacowania brakujących danych

Warianty tytułu
Kohonen's Network as a Method for Estimating Missing Data
Języki publikacji
PL
Abstrakty
Samooragnizujące się mapy Kohonena (SOM) należą do najczęściej wykorzystywanych w praktyce naukowo-badawczej modeli samouczących się, konkurencyjnych sieci neuronowych. Klasą problemów najczęściej rozwiązywanych przy użyciu tych sieci jest wizualizacja i grupowanie danych wielowymiarowych. Niektóre właściwości metody sprawiają, że może ona być nie tylko konkurencyjna dla klasycznych metod wizualizacji i grupowania, ale może również wnieść pewną nową jakość do szeroko pojętej analizy danych. W artykule zostanie przedstawiony ogólny zarys metody oraz propozycja jej wykorzystania do szacowania danych brakujących. (abstrakt oryginalny)
EN
Kohonen's self-organising maps (SOM) are among the most frequently used in the scientific research practice of self-teaching, competitive neural network models. The class of problems most often solved with the aid of these networks is visualisation and clustering of multi-dimensional data. Some properties of the method enable it not only to be competitive with classical methods of visualisation and clustering, but also to contribute a certain new quality to data analysis broadly conceived. In this article, a general outline of the method is presented, as well as a proposal for its utilisation in estimating missing data. (original abstract)
Rocznik
Numer
Strony
37--51
Opis fizyczny
Twórcy
Bibliografia
  • Anonymous [1996], 2358 Studies of Self-organizing Map (SOM) and Learning Vector Quantitization (LVQ), Compiled in the Laboratory of Computer and Information Science, Helsinki University of Technology, URL: ftp://cochlea.hut.fi/pub/refs/references.ps.
  • Cherkassky V., Lari-Najafi H. [1991], Constrained Topological Mapping for Nonparametric Regression Analysis, Neural Networks, Vol. 4.
  • Gałuszka B. [1994], Szacowanie brakujących danych w szeregach czasowych (wyniki badań), Materiały z XV Ogólnopolskiego Seminarium Naukowego zorganizowanego przez Zakład Teorii Prognoz Katedry Statystyki AE w Krakowie, Zakopane, 28-30 IV 1993, [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, pod red. A. Zeliasia, Kraków.
  • Gałuszka B. [1995], Szacowanie brakujących informacji w szeregach przekrojowych (wyniki badań), Materiały z XVI Ogólnopolskiego Seminarium Naukowego zorganizowanego przez Zakład Teorii Prognoz Katedry Statystyki AE w Krakowie, Zakopane, 27-29IV1994, [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, pod red. A. Zeliasia, Kraków.
  • Ghahramani Z., Jordan M.I. [1994], Learning From Incomplete Data, MIT, URL: ftp://publications.ai.mit,edu/ai-publications/1500-1999/AIM-1509.ps.Z.
  • Hartigan J. A. [1975], Clustering Algorithms, Wiley & Sons, New York.
  • Haykin S. [1994], Neural Networks. A Comprehensive Foundation, Macmillan College Publishing Company Inc., New York.
  • Jajuga K. [1990], Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa.
  • Kangas J. [1994], On the Analysis of Pattern Sequences by Self-organizing Maps, Helsinki University of Technology, Doctoral Thesis, Espoo.
  • Kohonen T. [1995], Self-organizing Maps, Springer-Verlag Berlin.
  • Korbicz J., Obuchowicz A., Uciński D. [1994], Sztuczne sieci neuronowe, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
  • Kordos J. [1988], Jakość danych statystycznych, PWE, Warszawa.
  • LVQ_PAK The Learning Vector Quantization Program Package Version 3.1, T. Kohonen, J. Hynninen, J. Kangas, J. Laaksonen [1995a], Helsinki University of Technology, URL: ftp://cochlea.hut.fi/pub/lvq_pak.
  • Lippmann R.P. [1987], An Introduction to Computing with Neural Nets, IEEE ASSP Mag., April.
  • Metody taksonomiczne w badaniach społeczno-ekonomicznych [1988], J. Pociecha, B. Podolec, A. Sokołowski, K. Zając, PWN, Warszawa.
  • Murtagh F. [1994], Neural Networks and Related "Massively Parallel" Methods for Statistics: An Overview, International Statistical Review, 62.
  • Murtagh F. [1995a], Contiguity-constrained Hierarchical Clustering, In Cox I.J., Hansen P., Julesz B., Partitioning Data Sets, DIMACS, AMS.
  • Murtagh F. [1995b], Interpreting Kohonen Self-organizing Map Using Contiguity-constrained Clustering, Pattern Recognition Letters, 16.
  • Murtagh F. [1995c], Unsupervised catalog classification, In Shaw D., Payne J., Hayes J., Eds., Astronomical Data Analysis Software and Systems IV, ASP.
  • Murtagh F., Hernandez-Pajeraz [1995], Clustering Moderately-sized Datasets Using the Kohonen Map Approach, Statistics in Transition - Journal of the Polish Statistical Association, 2.
  • Osowski S. [1996], Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa.
  • Principal and Independent Components in Neural Networks - Recent Developments [1995], Oja E., Karhunen J., Wang L., Vigario R., Proc. VII Italian Workshop on Neural Nets WIRN'95, May 18-20, Vietri sul Mare, Italy.
  • Sarle W.S. [1994], Neural Networks and Statistical Models, Proceedings of the Nineteenth Annual SAS Users Group International Conference, April.
  • SOM_PAK The Self-organizing Map Program Package Version 3.1, T Kohonen, J. Hynninen, J. Kangas, J. Laaksonen [1995b], Helsinki University of Technology, URL: ftp://cochlea.hut.fi/pub/som_pak.
  • Tadeusiewicz K. [1993], Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000000009907

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.