PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2016 | nr 426 Taksonomia 26. Klasyfikacja i analiza danych - teoria i zastosowania | 139--147
Tytuł artykułu

Hierarchiczne aglomeracyjne sieci som w analizie skupień

Treść / Zawartość
Warianty tytułu
The Hierarchical Agglomerative Som in The Cluster Analysis
Języki publikacji
PL
Abstrakty
Samouczące się sztuczne sieci neuronowe typu SOM należą do jednych z bardziej efektywnych narzędzi data mining, które są stosowane w grupowaniu i klasyfi- kacji danych wielowymiarowych. Spadek efektywności sieci SOM w grupowaniu i klasyfikacji danych często wynika z przyjętej nadmiarowej struktury sieci i znacznego przyrostu martwych neuronów w sieci. Proces samouczenia takiej sieci staje się niepotrzebnie długi. Jedną z możliwości rozwiązań tego problemu jest budowa hierarchicznych aglomeracyjnych sieci SOM (Hierarchical agglomerative SOM, HaSOM). W sieciach tych wyróżnia się dwa podejścia: tematyczne i oparte na skupieniach. Celem prezentowanych badań jest analiza własności aglomeracyjnych sieci HaSOM w analizie skupień danych o hierarchicznej strukturze(abstrakt oryginalny)
EN
Self-learning artificial neural networks type of SOM are one of the most effective data mining tools which are used in grouping and classification of multidimensional data. The decrease in network efficiency SOM clustering and classification of data often results from the assumed redundant network structure and a significant increase of dead neurons in the network. The process of self-learning of the network becomes unnecessarily long. One possibility of solving this problem is to build a hierarchical agglomerative SOM network. In these networks, there are two approaches: thematic and based on clusters. The aim of this paper is to analyze the properties of agglomerative HaSOM 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 recommendation 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 networks, 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.
  • 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 segmen-tation - 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 Ekonomicznej we Wrocławiu, nr 1169, Taksonomia 14: Klasyfikacja i analiza danych - teoria i zastosowania, 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.
  • 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-000171435214

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.