Propozycja algorytmu samouczenia się sieci neuronowych typu GNG ze zmiennym krokiem uczenia

• Autorzy: Krzysztof Najman

Warianty tytułu

Proposition of Self-Learning Algorithm of GNG Neural Network with Changing Learning Step

• Języki publikacji: PL

Abstrakty

Jednym z kluczowych parametrów procesu samouczenia się sieci neuronowych typu GNG jest szybkość zmiany pozycji w przestrzeni neuronu uczącego się i najbliższego połączonego z nim neuronu. Zależy ona od lokalnego błędu kwantyzacji i stałej nazywanej krokiem uczenia. Stała wartość kroku uczenia w szczególności niepotrzebnie zwalnia proces samouczenia się w początkowej jego fazie. W artykule proponuje się modyfikację algorytmu, wprowadzając zmienny krok uczenia oparty na liniowej funkcji iteracji między kolejnymi fazami wstawiania nowego neuronu do sieci. Przeprowadzone rozważania teoretyczne i eksperymenty symulacyjne potwierdzają zasadność proponowanej zmiany.(abstrakt oryginalny)

EN

One of the key parameters of self-learning GNG neural network process is the speed of the change of position in the space of a learning unit and the nearest unit connected to it. It depends on a local quantization error and a learning step. In the initial phase the constant value of the learning step unnecessarily slows down the self-learning process. The article presents the proposal of algorithm modification with the changing learning step. Theoretical discussions and simulation experiments confirm the legitimacy of a proposed change.(original abstract)

Słowa kluczowe

PL

Analiza skupień

EN

Cluster analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2011
• Tom: 18
• Numer: nr 176 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 282--289

Twórcy

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Deboeck G., Kohonen T., Visual explorations in Finance with Self-Organizing Maps, Springer-Verlag, London 1998.
• Jirayusakul A., Auwatanamongkol S., A Supervised Growing Neural Gas Algorithm for Cluster Analysis, "International Journal of Hybrid Intelligent Systems" April 2007, vol. 4, Issue 2, 2007, s. 129-141.
• Kohonen T., Self-Organizing Maps, Springer Series in Information Sciences, Springer-Verlag, Berlin - Heidelberg 1997.
• Fritzke B., Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks 1994, vol. 7, no. 9, s. 1441-1460.
• Migdał-Najman K., Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, Taksonomia 16, Wrocław 2009, s. 205-213.
• Najman K., Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 107, Taksonomia 17, UE, Wrocław, 2010, s. 296-304.
• Najman K., Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, Taksonomia 16, Wrocław 2009, s. 196-204.
• Qin A. K., Suganthan P. N., Robust growing neural gas algorithm with application in cluster analysis, "Neural Networks" 2004, vol. 17, no. 8-9, s. 1135-1148.
• Prudent Y., Ennaji A., An Incremental Growing Neural Gas Learns Topologies, Proceedings of International Joint Conference on Neural Networks, 2005, s. 1211-1216.