Samouczące się sieci GNG w grupowaniu dynamicznym zbiorów o wysokim wymiarze

• Autorzy: Krzysztof Najman

Warianty tytułu

Self-Learning Neural Network of GNG Type in the Dynamic Clustering of High-Dimensional Data

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono wyniki badań symulacyjnych dotyczących zastosowania samoorganizujących się sieci neuronowych typu GNG w grupowaniu dynamicznym danych o wysokim wymiarze. Przeprowadzono niezależnie dwa eksperymenty na wygenerowanych danych, dokonując pomiaru szybkości uczenia się sieci w zależności od wymiaru danych. Rezultaty badań wydają się potwierdzać przydatność sieci tego typu w grupowaniu dynamicznym.(abstrakt oryginalny)

EN

In the article the author presents the results of simulation research that involves the use of self-organizing neural networks of GNG type in the dynamic clustering high-dimensional data. The author performed two independent experiments on the generated data. He measured the learning speed of neural networks depending on the size of the data. It seems that the results of research confirm the usefulness of GNG neural network in the dynamic clustering.(original abstract)

Słowa kluczowe

PL

Analiza skupień; Sieci neuronowe; Taksonomia

EN

Cluster analysis; Neural networks; Taxonomy

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2013
• Tom: 21
• Numer: nr 279 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 41--47

Twórcy

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Fritzke B., Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks", 7, 9, 1994, s. 1441-1460.
• Fritzke B., A growing neural gas network learns topologies, Advances in Neural Information Processing Systems, 7th edn., MIT Press, Redmond, Washington 1995.
• García-Rodriguez J., Angelopoulou A., García-Chamizo J.M., Psarrou A., Escolano S.O., Giménez V.M., Autonomous growing neural gas for applications with time constraint: optimal parameter estimation, "Neural Networks", 32, s. 196-208, 2012.
• Kaufman L., Rousseeuw P.J., Finding Groups in Data: a Introduction to Cluster Analysis, Wiley, New York 1990.
• Khanna P., Smith A., Jobs of the feature, "Foreign Policy", 13 October, 2012.
• Migdał-Najman K., Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień, [w:] Taksonomia 16, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 47, 2009, s. 205-213.
• Najman K., Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień, [w:] Taksonomia 16, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 47, 2009, s. 196-204.
• Najman K., Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień, [w:] Taksonomia 17, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 17, 2010, s. 296-304.
• Najman K., Grupowanie dynamiczne i wykorzystaniem sieci GNG, "Przegląd Statystyczny", nr 3-4, 2011a, s. 231-241.
• Najman K., Propozycja algorytmu samouczenia się sieci neuronowych typu GNG ze zmiennym krokiem uczenia, [w:] Taksonomia 18, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 176, 2011b, s. 282-289.
• Najman K., Grupowanie dynamiczne z wykorzystaniem samouczących się sieci GNG, [w:] Taksonomia 19, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 242, 2012, s. 361-369.
• Netto S.M.B., Silva A.C., Nunes R.A., Gattass M., Automatic segmentation of lung nodules with growing neural gas and support vector machine, "Computers in Biology and Medicine", 42, 11, 2012, s. 1110-1121.
• Rand W.M., Objective criteria for the evaluation of clustering methods, "Journal of the American Statistical Association", 66, 336, 1971, s. 846-850.