Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних
Електронного архіву Харківського національного університету радіоелектроніки (Open Access Repository of KHNURE)
Переглянути архів ІнформаціяПоле | Співвідношення | |
Title |
Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних
|
|
Creator |
Хаустова, Я. В.
|
|
Subject |
ядерна нейронна мережа
нейро-фаззі системи самоорганізовна мапа Кохонена радіально-базисна нейронна мережа узагальнена регресійна нейронна мережа ЕМ-ймовірнісний алгоритм кластеризації ядерна функція активації kernel neural network neuro-fuzzy systems self-organizing Kohonen map radial-basis functions neural network general regression network EM – probabilistic clustering algorithm kernel activation function |
|
Description |
Дисертаційна робота присвячена розв’язанню актуальної наукової задачі розробки нових методів нечіткої кластеризації на основі ядерних нейронних мереж і нейро-фаззі систем, які налаштовують свою архітектуру в процесі навчання-самонавчання в умовах перетинних кластерів довільної форми. Вперше запропоновано ядерні кластерувальні нейронні мережі, які засновані на радіально-базисній нейронній мережі та узагальненії регресійнії мережі, що дозволяють обробляти потоки даних різної фізичної природи в послідовному режимі. Вперше запропоновано багатошарову гібридну нейро-фаззі систему обчислювального інтелекту на основі системи Ванга-Менделя і нечіткої кластерувальної самоорганізовної мережі, що дозволяє в процесі самонавчання налаштовувати не тільки свої параметри, але і архітектуру в on-line режимі і вирішувати задачі кластеризації потоку даних за умов апріорно невідомої форми кластерів і рівнів їх перетинання. Удосконалено метод кластеризації ЕМ (expectation-maximization) шляхом використання ядерних функцій спеціального виду, що дозволяє на відміну від стандартного підходу вирішувати задачу кластеризації в умовах перетинних кластерів з розрахунком оцінки належності кожного спостереження до кожного кластеру. Удосконалено штучну нейронну мережу для аналіза головних компонент шляхом введення додаткових шарів ядерних функцій для підвищення розмірності вхідного простору, що дозволило обробляти інформацію, яка міститься в класах довільної форми.The clustering system based on the evolving general regression neural network and self-organizing map of T.Kohonen, is proposed in the thesis. An on-line neuro-fuzzy system for solving data stream fuzzy clustering task and its self-learning procedures based on T. Kohonen’s rule are proposed in the thesis. 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. In the thesis soft probabilistic clustering algorithm of multidimensional data sets that are sequentially fed to processing in on-line mode is investigated. The proposed system solves the tasks of Data Stream Mining when classes are overlapped.
|
|
Date |
2017-03-09T10:18:10Z
2017-03-09T10:18:10Z 2017 |
|
Type |
Synopsis
|
|
Identifier |
Хаустова, Я. В. Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / Я. В. Хаустова ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2017. – 20 с.
http://openarchive.nure.ua/handle/document/3588 |
|
Language |
uk
|
|