Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
The Dynamic Grouping Using GNG Neural Network
Języki publikacji
Abstrakty
Od początku lat 90-tych XX wieku obserwuje się stały, dynamiczny wzrost liczby baz danych i zbieranych w nich informacji. Obserwuje się też stały wzrost zapotrzebowania na informacje, a z drugiej strony stały wzrost możliwości ich zbierania i przechowywania. Jedną z własności niektórych baz danych jest ich dynamiczna, zmieniająca się w czasie struktura grupowa. W artykule przedstawiono przegląd podstawowych koncepcji grupowania dynamicznego i zaproponowano jego nową definicję. Wskazano także praktyczną metodę realizacji grupowania dynamicznego opartą na samouczącej się sieci neuronowej typu GNG. Przedstawiono wyniki badań symulacyjnych nad własnościami takiej sieci w grupowaniu dynamicznym. (abstrakt oryginalny)
Since early 90s of 20th century has seen a steady and dynamic growth databases and collected information. There has also been a steady increase in demand for information, on the other hand growth in collection and storage information. One of the properties of some databases is their dynamic, changing during the group structure. The article presents an overview of the basic concepts of dynamic grouping and its proposed new definition. It was also a practical method to implement dynamic grouping based on self-learning neural network type of GNG. The results of simulation studies are presented in a dynamic grouping. (original abstract)
Twórcy
autor
Bibliografia
- [1] Babcock B., Babu S., Datar M., Motwani R., Widom J. [2002], Models and issues in data stream systems. In Proceedings of the Twentyfirst ACMSIGACT-SIGMOD-SIGART Symposium on Principles of Database Systems, June 3-5, Madison, Wisconsin, USA, 1-16, ACM.
- [2] Fenn D.J., Porter M.A., Mucha P.J., McDonald M., Williams S., Johnson N.F., Jones N.S. [2010], Dynamical Clustering of Exchange Rates, arXiv:0905.4912v2.
- [3] Fritzke B. [1994], Growing cell structures - a self-organizing network for unsupervised and supervised learning, Neural Networks, 7, 9, 1441-1460.
- [4] Guedalia I.D., London M., Werman M. [1999], An on-line agglomerative clustering method for non-stationary data, Neural Computation, 11, 2, 521-540.
- [5] Guha S., Mishra N., Motwani R., O'Callaghan L. [2000], Clustering data streams. In IEEE Symposium on Foundations of Computer Science (FOCS), 359-366.
- [6] Kohonen T. [1997], Self-Organizing Maps, Springer Series in Information Sciences, Springer-Verlag, Berlin Heidelberg.
- [7] Migdał Najman K., Najman K., Data Analysis [2008], Machine Learning and Applications, Applying the Kohonen Self-organizing Map Networks to Selecting Variables, Studies in Classification, Data Analysis and Knowledge Organization, Presisach C., Burkhardt H., Schmidt-Thieme L., Decker R., Springer Verlag Berlin Heidelberg, 45-54.
- [8] Najman K. [2009], Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień, Prace Naukowe UE we Wrocławiu, nr 47, 196-205.
- [9] Najman K. [2010], Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień, Klasyfikacja i analiza danych - teoria i zastosowania Taksonomia 17, Prace Naukowe UE we Wrocławiu nr 17, 296-2010.
- [10] Qin A. K. i Suganthan P. N. [2004], Robust growing neural gas algorithm with application in cluster analysis, Neural Networks, 17, 8-9, 1135-1148.
- [11] Wang X., Smith K. Hyndman R. [1997], Characteristic-based clustering for time series data, Data mining and knowledge discovery, 13, 3, 335-364.
- [12] Zamir O., Etzioni O. [1999], Grouper: A dynamic clustering interface to web search results, Proceeding of WWW8, Toronto, Canada. of WWW8, Toronto, Canada.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171212263