Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień

• Autorzy: Krzysztof Najman

Warianty tytułu

Applying of Growing Neural Gas Neural Networks in Cluster Analysis

• Języki publikacji: PL

Abstrakty

Celem prezentowanych badań jest weryfikacja hipotezy o wysokim potencjale sieci typu GNG w analizie skupień. Przedstawione zostaną podstawy teoretyczne tej metody, jej własności, które na podstawie badan symulacyjnych będą poddane weryfikacji i ocenie. (fragment tekstu)

EN

One of the more effective methods in cluster analysis are unsupervised neural networks, for example Self Organizing Map, SOM. The problem which can appear in large data sets is a priori the network's structure. SOM could be time consuming and require powerful computers, it has tendency to twine and possess many neurons which do not take part in learning. It seems that unsupervised growing neural gas (GNG) with dynamic structure does not have these disadvantages. The main goal of research presented in this paper is hypothesis verification that the GNG network has large potential in cluster analysis. Theoretical principles, properties of this method, simulation research and opinions are presented. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Analiza skupień; Mapa samoorganizująca

EN

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

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 196--204

Twórcy

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Fritzke B. (1994), Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks" , vol. 7, no 9, , s. 1441-1460.
• 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, Heidelberg, Berlin.
• Migdał-Najman K., Najman K. (2005), Analityczne metody ustalania liczby skupień, Prace Naukowe AE we Wrocławiu nr 1076, AE, Wrocław, s. 256-273.
• Migdał-Najman K., Najman K. (2008), Data analysis, machine learning and applications, Applying the Kohonen Self-Organizing Map Networks to Selecting Variables, Studies in Classification, Data Analysis and Knowledge Organization, C. Presisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker, Springer Verlag, Heidelberg, Berlin, s. 45-54.