Запис Детальніше

Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту

Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"

Переглянути архів Інформація
 
 
Поле Співвідношення
 
Title Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту
Sequential kernel fuzzy clustering of big data based on computational intelligence hybrid system
 
Creator Бодянський, Є. В.
Дейнеко, А. О.
Жернова, П. Є.
Золотухін, О. В.
Хаустова, Я. В.
 
Contributor Харківський національний університет радіоелектроніки
 
Subject гібридна нейро-фаззі система
нейро-фаззі кластерувальна мережа Т. Когонена
кластерування
нечітка узагальнена регресійна нейронна мережа
self-learning method of hybrid neuro-fuzzy systems
big data
fuzzy clustering
clustering self-organizing network
fuzzy general regression neural network
004.032.26
 
Description Запропоновано архітектуру та методи самонавчання гібридної нейрофаззі системи
обчислювального інтелекту для кластерування даних за умов, коли кластери, що
формуються, можуть мати довільну форму і взаємно перетинатися. В основу
запропонованої системи покладено нечітку узагальнену регресійну нейронну мережу та
нейро-фаззі кластерувальну мережу Т. Когонена, налаштування яких основано як на
лінивому навчанні, так і на навчанні, що ґрунтується на оптимізації.
The architecture and self-learning method of hybrid neuro-fuzzy systems for big fuzzy
clustering in on-line mode are proposed in this paper. The architecture of proposed system
represents the hybrid of the fuzzy general regression neural network and clustering selforganizing
network. During a learning procedure in on-line mode, the proposed system tunes
both its parameters and its architecture. For tuning of membership functions parameters of
neuro-fuzzy system the method based on competitive learning is proposed. The hybrid neurofuzzy
system tunes its synaptic weights, centers and width parameters of membership functions.
 
Date 2018-11-13T15:34:44Z
2018-11-13T15:34:44Z
2017-03-28
2017-03-28
 
Type Article
 
Identifier Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту / Є. В. Бодянський, А. О. Дейнеко, П. Є. Жернова, О. В. Золотухін, Я. В. Хаустова // Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2017. — № 872. — С. 20–24.
http://ena.lp.edu.ua:8080/handle/ntb/42964
Sequential kernel fuzzy clustering of big data based on computational intelligence hybrid system / Ye. V. Bodianskyi, A. O. Deineko, P. Ye. Zhernova, O. V. Zolotukhin, Ya. V. Khaustova // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 872. — P. 20–24.
 
Language uk
 
Relation Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі, 872, 2017
1. Kohonen T. Self-Organizing Maps / T. Kohonen // Berlin: Springer-Verlag. – 1995. – 362 p.
2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text] / J. C. Bezdek. –N.Y.: Plenum Press, 1981. – 272 p.
3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text] / E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal // Pattern Recognition. – 1994. – No. 27. – P. 757–764.
4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map / R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso // Pattern Recognition. – 2001. – No. 34. – P. 2395–2402.
5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002). – Belgium. – 2002. – P. 137–142.
6. Girolami, M. Mercer kernel-based clustering in feature space [Text] / M. Girolami // IEEE Trans. on Neural Networks. – 2002. – Vol. 13. – No. 3. – P. 780–784.
7. Camastra F. A novel kernel method for clustering [Text] / F. Camastra, A. Verri // IEEE Trans. on Pattern Analysis and Machine Intelligence. – 2005. – No. 5. – P. 801–805.
8. Schölkopf, B. Learning with Kernels [Text] / B. Schölkopf, A. Smola //Cambridge M. A.: MIT Press. – 2002. – 648 p.
9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text] / J. Kacprzyk, W. Pedrycz. – Berlin Heidelberg: Springer – Verlag, 2015. – 1634 p.
10. Haykin, S. Neural Networks and Learning Machines [Text] / S. Haykin. – N.Y. :Prentice Hall, 2009. – 1634 p.
11. Cortes C. Support Vector Networks [Texy] / C. Cortes, V. Vapnik // Machine Learning. – 1995. – No. 20. – P. 273–297.
12. Parzen E. On the estimation of a probability density function and the mode / E.Parzen // Ann. Math. Statist. – 1962. – No. 38. – P. 1065–1076.
13. Specht, D.F. A general regression neural network [Text] / D.F. Specht // IEEE Trans. on Neural Networks. – 1991. – Vol. 2. – P. 568–576.
14. Zahirniak D. Pattern recognition using radial basis function network. [Text] / D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati // Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf. – Dayton, OH. – 1990. – P. 249–260.
15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text] / T.M. Cover // IEEE Trans. on Electronic Computers. – 1965. – No. 14. – P. 326–334.
16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov // Heidelberg-New York: Springer-Verlag. – 2002. – 211 p.
17. Kasabov N. Evolving Connectionist Systems [Text] / N. Kasabov – London: Springer-Verlag. – 2003 – 307 p.
18. Angelov P.Evolving computational intelligence systems [Text] / P. Angelov, N. Kasabov // Proc. 1st Int. Workshop on Genetic Fuzzy Systems. – Granada, Spain. – 2005. – P. 76–82.
19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text] / E. Lughofer. – Studies in Fuzziness and Soft Computing. – Springer-Berlin. – 2011. – 410 p.
1. Kohonen T. Self-Organizing Maps, T. Kohonen, Berlin: Springer-Verlag, 1995, 362 p.
2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text], J. C. Bezdek. –N.Y., Plenum Press, 1981, 272 p.
3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text], E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal, Pattern Recognition, 1994, No. 27, P. 757–764.
4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map, R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso, Pattern Recognition, 2001, No. 34, P. 2395–2402.
5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002), Belgium, 2002, P. 137–142.
6. Girolami, M. Mercer kernel-based clustering in feature space [Text], M. Girolami, IEEE Trans. on Neural Networks, 2002, Vol. 13, No. 3, P. 780–784.
7. Camastra F. A novel kernel method for clustering [Text], F. Camastra, A. Verri, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, No. 5, P. 801–805.
8. Schölkopf, B. Learning with Kernels [Text], B. Schölkopf, A. Smola //Cambridge M. A., MIT Press, 2002, 648 p.
9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text], J. Kacprzyk, W. Pedrycz, Berlin Heidelberg: Springer – Verlag, 2015, 1634 p.
10. Haykin, S. Neural Networks and Learning Machines [Text], S. Haykin, N.Y. :Prentice Hall, 2009, 1634 p.
11. Cortes C. Support Vector Networks [Texy], C. Cortes, V. Vapnik, Machine Learning, 1995, No. 20, P. 273–297.
12. Parzen E. On the estimation of a probability density function and the mode, E.Parzen, Ann. Math. Statist, 1962, No. 38, P. 1065–1076.
13. Specht, D.F. A general regression neural network [Text], D.F. Specht, IEEE Trans. on Neural Networks, 1991, Vol. 2, P. 568–576.
14. Zahirniak D. Pattern recognition using radial basis function network. [Text], D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati, Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf, Dayton, OH, 1990, P. 249–260.
15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text], T.M. Cover, IEEE Trans. on Electronic Computers, 1965, No. 14, P. 326–334.
16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov, Heidelberg-New York: Springer-Verlag, 2002, 211 p.
17. Kasabov N. Evolving Connectionist Systems [Text], N. Kasabov – London: Springer-Verlag, 2003 – 307 p.
18. Angelov P.Evolving computational intelligence systems [Text], P. Angelov, N. Kasabov, Proc. 1st Int. Workshop on Genetic Fuzzy Systems, Granada, Spain, 2005, P. 76–82.
19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text], E. Lughofer, Studies in Fuzziness and Soft Computing, Springer-Berlin, 2011, 410 p.
 
Rights © Національний університет „Львівська політехніка“, 2017
© Бодянський Є. В., Дейнеко А. О., Жернова П. Є., Золотухін О. В., Хаустова Я. В., 2017
 
Format 20-24
5
application/pdf
image/png
 
Coverage Львів
 
Publisher Видавництво Львівської політехніки