PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2016 | nr 426 Taksonomia 26. Klasyfikacja i analiza danych - teoria i zastosowania | 130--138
Tytuł artykułu

Hierarchiczne deglomeracyjne sieci som w analizie skupień

Treść / Zawartość
Warianty tytułu
The Hierarchical Divisive Som in The Cluster Analysis
Języki publikacji
PL
Abstrakty
W badaniach empirycznych może pojawić się problem hierarchicznej struktury obserwowanych jednostek i skupień. Jednym z możliwych rozwiązań tego problemu jest bu-dowa hierarchicznych, deglomeracyjnych sieci SOM (Hierarchical divisive SOM, HdSOM). Można tu wyróżnić dwa podejścia: statyczne (static divisive HSOM) i dynamiczne (dynamic divisive HSOM). Konstrukcja takich sieci jest hierarchiczna, gdyż fragmenty sieci jednej war-stwy stają się zarodkiem sieci w kolejnej warstwie. W konsekwencji taka sieć może uczyć się znacznie szybciej, zredukowana zostanie liczba martwych neuronów i możliwe będzie znacz-nie bardziej szczegółowe rozpoznanie struktury grupowej. Celem prezentowanych badań jest analiza własności deglomeracyjnych sieci HdSOM w analizie skupień(abstrakt oryginalny)
EN
In the empirical studies hierarchical structure of units and clusters can be a problem. One solution to this problem is to build a hierarchical divisive SOM network. Two approaches can be distinguished: static and dynamic. The construction of such a network is hierarchical, as parts of the network layer of one network are the nucleus in the next layer. As a result, the net-work can learn much faster, the number of dead neurons will be reduced and much more detailed identification of the group structure will be possible. The aim of this paper is to analyse the prop-erties of divisive HdSOM network in the cluster analysis(original abstract)
Twórcy
  • Uniwersytet Gdański
  • Uniwersytet Gdański
Bibliografia
  • Changchien S.W., Lu T.C., 2001, Mining association rules procedure to support on-line recommen-dation by customers and products fragmentation, Expert Systems with Applications, vol. 20, no. 4, s. 325-335.
  • Corridoni J.M., Bimbo A., Landi L., 1996, 3D object classification using multi-object Kohonen net-works, Pattern Recognition, vol. 29, no. 6, s. 919-935.
  • Deboeck G.J., 1999, Value maps: Finding value in markets that are expensive, [w:] E. Oja, S. Kaski (red.), Kohonen Maps, Elsevier Science, Amsterdam, s. 15-32.
  • Fritzke B., 1991a, Let it grow - self organizing feature maps with problem dependent cell structure, [w:] Proceedings of the International on Artificial Neural Networks, ICANN'91, Helsinki, s. 403-408.
  • Fritzke B., 1991b, Unsupervised clustering with growing cell structures, [w:] Proceedings of the International Joint Conference on Neural Networks, IJCNN'91, Seattle, WA, s. 531-536.
  • Fritzke B., 1996, Growing self-organizing networks - why?, [w:] M. Verleysen (red.), Proceedings of European Symposium on Artificial Neural Networks, ESANN'96, Bruges, s. 61-72.
  • Gómez-Carracedo M.P., Andrade J.M., Carrera G.V.S.M., Aires-de-Sousa J., Carlosena A., Prada D., 2010, Combining Kohonen neural networks and variable selection by classification trees to cluster road soil samples, Chemometrics and Intelligent Laboratory Systems, vol. 102, no. 1, s. 20-34.
  • Ha S., Park S., 1998, Application of data mining tools to hotel data mart on the Internet for database marketing, Expert Systems with Applications, vol. 15, no. 1, s. 1-31.
  • Hui S.C., Jha G., 2000, Data mining for customer service support, Information & Management, vol., 38, no. 1, s. 1-13.
  • Kiang M.Y., Hu M.Y., Fisher D.M., 2006, An extended self-organizing map network for market segmentation - a telecommunication example, Decision Support Systems, vol. 42, no. 1, s. 36-47.
  • Kohonen T., 1995, Self-organizing maps, Springer, Berlin.
  • Koikkalainen P., Oja E., 1990, Self-organizing hierarchical feature maps, [w:] Proceedings of the International Joint Conference on Neural Networks (IJCNN'90), Washington, DC, vol. 2, s. 279-284.
  • Kruk A., Lek S., Park Y.S., Penczak T., 2007, Fish assemblages in the large lowland Narew River system (Poland): Application of the self-organizing map algorithm, Ecological Modelling, vol. 203, no. 1-2, s. 45-61.
  • Lampinen J., Oja E., 1992, Clustering properties of hierarchical self-organizing maps, Journal of Mathematical Imaging and Vision, vol. 2, no. 2-3, s. 261-272.
  • Luttrell S.P., 1989, Hierarchical vector quantisation, Communications, Speech and Vision, IEE Proceedings I, vol. 136, no. 6, s. 405-413.
  • Migdał-Najman K., 2007, Propozycja hybrydowej metody grupowania dużych zbiorów danych wyko-rzystującej sieć Kohonena i taksonomiczne metody grupowania, Prace Naukowe Akademii nomicznej we Wrocławiu, nr 1169, Taksonomia 14: Klasyfikacja i analiza danych - teoria i za-stosowania, s. 305-313.
  • Migdał-Najman K., 2008, Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień, Prace Naukowe Uniwersy-tetu Ekonomicznego we Wrocławiu, nr 47, Taksonomia 16: Klasyfikacja i analiza danych - teo-ria i zastosowania, s. 205-213.
  • Migdał-Najman K., Najman K., 2003, Zastosowanie sieci neuronowej typu SOM w badaniu prze-strzennego zróżnicowania powiatów, Wiadomości Statystyczne, nr 4, s. 72-85.
  • Migdał-Najman K., Najman K., 2013, Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych, Teoria i zastosowania w ekonomii, Wydawnictwo Uniwersytetu Gdańskie-go, Gdańsk.
  • Migdał-Najman, Najman K., 2014, Formalna ocena jakości odwzorowania struktury grupowej na mapie Kohonena, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 327, Takso-nomia 22: Klasyfikacja i analiza danych - teoria i zastosowania, s. 131-138.
  • 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, vol. 16, no. 3, s. 185-203.
  • Vesanto J., Alhoniemi E., 2000, Clustering of the self-organizing map, IEEE Transactions on Neural Networks, vol. 11, no. 3, s. 586-600.
  • Ye H., Lo B.W.N., 2000, A visualised software library: Nested self-organizing maps for retrieving and browsing reusable software assets, Neural Computing and Applications, vol. 9, no. 4, s. 266-279.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171435208

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.