Wykorzystanie sieci neuronowej Kohonena do wizualizacji danych MPG

• Autorzy: Oszutowska-Mazurek D. A.

Warianty tytułu

EN

Use of Kohonen neural network in MPG data visualisation

• Języki publikacji: PL

Abstrakty

PL

Wstęp i cel: Zastosowanie sieci neuronowych Kohonena zapewnia zmniejszenie wielowymiarowości danych. Wizualizacja w postaci map samoorganizujących się (SOM) jest użytecznym narzędziem do wstępnego kastrowania (grupowania) danych. Materiał i metody: Wizualizację przeprowadzona dla rzeczywistych danych, udostępnionych przez uniwersytet w Kalifornii za pomocą oprogramowania SNNS v.4.3. Głównym celem pracy jest zastosowanie sieci neuronowych Kohonena zapewniające zmniejszenie wielowymiarowości danych. Wyniki: Otrzymano wizualizacje danych wskazujące jednoznacznie na dodatnie i ujemne korelacje danych MPG. Wniosek: Mapy samoorganizujące się mogą być dedykowane wizualizacji danych wielowymiarowych jednak wyniki zależą od sposobu mapowania danych wejściowych, zwłaszcza o charakterze jakościowym, nawet jeśli stosowana jest normalizacja każdego z parametrów.

EN

Introduction and aim: The use of Kohonen neural network ensures the decrease of data multidimensionality. Visualisation called Self organized maps is useful tool for preliminary data clustering. Material and methods: The visualisation of real data set was obtained with the use of program SNNS v.4.3 for real dataset from California University. The main aim of this paper is the use of Kohonen neural network to ensure the reduction of multidimensional data. Results: Obtained visualisations of data indicate unambiguously positive and negative correlations for MPG data Conclusion: Self organising maps could be dedicated to multidimensional data visualisation and preliminary quality assessment, but the results depend on the mapping method of input data, especially quantity type, even if normalisation of every parameter is provided.

Słowa kluczowe

PL

sieć neuronowa Kohonena; samoorganizujące się mapy; SOM; wizualizacja danych; dane MPG

EN

Kohonen neural network; self organizing map; SOM

• Wydawca: Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie
• Czasopismo: Problemy Nauk Stosowanych
• Rocznik: 2016
• Tom: T. 4
• Strony: 19--30
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Oszutowska-Mazurek D. A.

• Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie, Wydział Transportu Samochodowego

Bibliografia

• [1] Aliyu A., Adeshina S.: Classifying Auto-MPG Data set using Neural Network. 978-1-4799-4106-3 © 2014 IEEE.
• [2] Cao M.: Applying Self-Organizing Map to Explore MPG Using the MPG dataset with SOM. MATH 3210 - Data Mining Foundations Professor Aleshunas, 12/14/2009.
• [3] Chanc K.: Zastosowanie techniczno-ekonomiczne sztucznych sieci neuronowych. Praca dyplomowa inżynierska, Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie, Szczecin 2015, s 29-31.
• [4] Kohonen T.: Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 1982, 43 (1), pp. 59-69.
• [5] Kohonen T., Honkela T.: Kohonen network, Scholarpedia, 2011. Retrieved 2012-09-24.
• [6] Kolasa M., Długosz J., Figas A.: Wpływ funkcji sąsiedztwa na efektywność uczenia sieci neuronowych Kohonena implementowanych sprzętowo. Elektryka, Zeszyt 1, 2011.
• [7] Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe Podstawy i zastosowania. Warszawa: Akad. Oficyna Wydawnicza, 1994, s 76-81.
• [8] Lichman, M.: UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science, 2013.
• [9] Masters, T.: Sieci neuronowe w praktyce: programowanie w języku C++. Warszawa: Wyd. Naukowo-Techniczne, 1996.
• [10] Osowski S.: Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wyd. Politechniki Warszawskiej, 2006.
• [11] Tadeusiewicz R.: Sieci neuronowe. Warszawa: Akad. Oficyna Wydawnicza, 1993, s. 12, 40-42.
• [12] Williams Ch.: Nonlinear Regression with Neural Networks 2009.
• [13] http://tex.stackexchange.com/questions/144366/draw-a-kohonen-som-feature-map (dostęp: 20.09.2015).
• [14] http://www.ra.cs.uni-tuebingen.de/SNNS, (dostęp 15.08.2015).

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).