Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień

• Autorzy: Kamila Migdał-Najman

Warianty tytułu

A Comparison of Quality Unsupervised Neural Networks Self Organizing Map and Growing Neural Gas in Cluster Analysis

• Języki publikacji: PL

Abstrakty

Celem prezentowanych badań jest wskazanie różnic między tymi sieciami i porównanie ich własności, szczególnie z punktu widzenia analizy skupień. (fragment tekstu)

EN

The article discusses two methods of cluster analysis which were based on the unsupervised learning like Self Organizing Map (SOM) and Growing Neural Gas (GNG). The author presents basic features of both algorithms, in particular their advantages and disadvantages from the perspective of cluster analysis. The neural network SOM has possessed more applications in data analysis than GNG, it is a technique exploration data and the tool of cluster analysis. The GNG is a specialized tool of cluster analysis and is more effective than SOM in most cases. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Analiza skupień; Mapa samoorganizująca; Analiza porównawcza

EN

Neural networks; Cluster analysis; Self-Organizing Maps (SOM); Comparative analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 205--213

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

Bibliografia

• Berthold M., Hand D.J. (1999), Intelligent data analysis, Springer-Verlag, Berlin Heidelberg.
• Deboeck G., Kohonen T. (1998), Visual explorations in finance with self-organizing maps, Springer-Verlag, London.
• Delgado A. (2000), Control of nonlinear systems using a self-organizing neural network, "Neural Computing&Applications", Springer-Verlag, 9, s. 113.
• Deventer J.S.J., Moolman D.W., Aldrich C. (1996), Visualisation of plant disturbances using self-organizing maps, "Computers Chemical Engineering", Pergamon, Elsevier Science, 20, s. 1097-1100.
• Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (2000), Sieci neuronowe, PAN, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Fausett L. (1994), Fundamentals of neural networks, architectures, algorithms, and applications, Florida Institute of Technology, Prentice Hall International, Inc.
• Fessant F., Midenet S. (2002), Self-organizing map for data imputation and correction in surveys, "Neural Computing&Applications", Springer-Verlag, 10, s. 304.
• Flanagan J.A. (1996), Self-organization in Kohonen's SOM, "Neural Networks", Pergamon, Elsevier Science, 9, 7, s. 1185.
• Fort J.C., Pagès G. (1996), About the Kohonen algorithm: strong or weak self-organization?, "Neural Networks", Pergamon, Elsevier Science, 9, 5, s. 773.
• Fritzke B. (1994), Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks", vol. 7, no 9, s. 1441-1460.
• Hołyński M. (1989), Sztuczna inteligencja, Wiedza Powszechna, Warszawa.
• Jirayusakul A., Auwatanamongkol S. (2007), A supervised growing neural gas algorithm for cluster analysis, "International Journal of Hybrid Intelligent Systems", 4, s.129-141.
• Kohonen T. (1997), Self-organizing maps, Springer Series in Information Sciences, Springer-Verlag, Berlin Heidelberg.
• Masters T. (1996), Sieci neuronowe w praktyce, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Migdał-Najman K., Najman K. (2008), Applying the Kohonen self-organizing map networks to selecting variables, Data Analysis, Machine Learning and Applications, Studies in Classification, Data Analysis and Knowledge Organization, C. Presisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker, Springer Verlag, Berlin Heidelberg, s. 45-54.
• Migdał-Najman K., Najman K. (2004), Diagnozowanie kondycji finansowej spółek notowanych na GPW w Warszawie w oparciu o sieć SOM, Zeszyty Naukowe nr 389, Rynek kapitałowy. Skuteczne inwestowanie, cz. I, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin, s. 507-519.
• Papadimitriou S., Mavroudi S., Vladutu L., Pavlides G., Bezerianos A. (2002), The supervised network self-organizing map for classification of large data sets, "Applied Intelligence", Kluwer Academic Publishers, 16, s. 187.
• Tadeusiewicz R. (1998), Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Yin H. (2002), Data visualization and manifold mapping using the ViSOM, "Neural Network", Pergamon, 15, s. 1005.