Sztuczne sieci neuronowe ANN : sieci Kohonena

• Autorzy: Iljaszewicz Paweł

Warianty tytułu

EN

Artificial neural networks (ANN) : Kohonen networks

• Języki publikacji: PL

Abstrakty

PL

Artykuł omawia sztuczne sieci neuronowe (ang. ANN- Artificial neural networks). Jedną z odmian są sieci Kohonena zwane Mapą Samoorganizującą (ang. SOM – Self Organizing Map) realizują one proces uczenia się sieci neuronowych samodzielnie tzn. rozpoznają relacje występujące w skupieniach poprzez wykrycie wewnętrznej struktury i kategoryzują je w procesie samouczenia. SOM służy do uformowania odwzorowania z przestrzeni wielowymiarowej do przestrzeni jednowymiarowej lub dwuwymiarowej. Główną cechą SOM jest to, że tworzy on nieliniową projekcję wielowymiarową kolektora danych na regularnej, niskowymiarowej (zwykle 2D) sieci. Na wyświetlaczu klastrowanie przestrzeni danych, jak również relacje metryczno-topologiczne elementów danych, są wyraźnie widoczne. Jeśli elementy danych są wektorami, składniki, których są zmiennymi z określone znaczenie, takie jak deskryptory danych statystycznych lub pomiary, które opisują proces, siatka SOM może być wykorzystana, jako podstawa, na której może znajdować się każda zmienna wyświetlane osobno przy użyciu kodowania na poziomie szarości lub pseudo koloru. Ten rodzaj projekcji został uznany za bardzo przydatny do zrozumienia wzajemnych zależności między zmiennymi, a także strukturami zbioru danych.

EN

The article discusses artificial neural networks (ANN). One of the varieties is the Kohonen network, called the Self Organizing Map (SOM), that perform the learning process of neural networks independently, i.e. they recognize relationships occurring in clusters by detecting an internal structure and categorizing them in the process of self-learning. SOM is used to form mapping from a multidimensional space to a one-dimensional or two-dimensional space. The main feature of SOM is that it creates a non-linear multi-dimensional projection of a data collector on a regular, low-dimensional (usually 2D) network. On the display, data space clustering as well as metric-topological relations of data elements are clearly visible. If the data elements are vectors, the components of which are variables with defined meanings, such as statistical data descriptors or measurements that describe the process, the SOM grid can be used as a basis on which each variable can be displayed separately using gray or pseudo-color coding. This type of projection has been found to be very useful for understanding the interrelationships between variables as well as data set structures.

Słowa kluczowe

PL

Sieci Kohonena; sieci neuronowe; mapa samoorganizująca; SOM; WEBSOM

EN

Kohonen networks; artificial neural networks; ANN; self-organizing map; SOM; WEBSOM

• Wydawca: Wrocławska Wyższa Szkoła Informatyki Stosowanej "Horyzont"
• Czasopismo: Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
• Rocznik: 2018
• Tom: vol. 8, nr 1
• Strony: 34--39
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Iljaszewicz Paweł

• Instytut Technologiczno-Przyrodniczy, Falenty, al. Hrabska 3, 05-090 Raszyn

Bibliografia

• [1] M. M. Nassand L. N. Cooper, “A theory for the development of feature detecting cells invisual cortex,“ Biot. Cybern.,vol. 19, pp. 1-18, 1975
• [2] S. Athuraliya, S.H. Low, V.H. Li and Q. Yin, “REM: Active queue management,” IEEE Network Mag., vol. 15, no. 3, pp. 48-53, 2001
• [3] T. Kohonen, Self-Organizing Maps, Springer-Verlag, Berlin, Heidelberg, New York, 1995, XVI+362pp.
• [4] Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43:59-69.
• [5] Kohonen, T., Kaski, S. and Lappalainen, H. (1997).
• Self-organized formation of various invariant-feature filters in the adaptive-subspace SOM. Neural Computation, 9: 1321-1344.
• [6] Fort, J.C. (2006). SOM’s mathematics. Neural Networks, 19: 812–816.
• [7] Heskes, T. (2001). Self-organizing maps, vector quantization, and mixture modeling. IEEE Transactions on Neural Networks, 12:1299-1305.
• [8] Sammon, J. (1969). A nonlinear mapping for data structure analysis. IEEE Trans. Comp., 18(5):401-409.
• [9] Amari, S.-I. (1967). A theory of adaptive pattern classifiers. IEEC, 16:299-307
• [10] Carpenter, G. and Grossberg, S. (1987). A massively parallel architecture for a self-organizing neural pattern recognition machine. Computer Vision, Graphics, and Image Processing, 37:54-115.
• [11]. Kohonen, T. (1992). An attempt to interpret the Self-Organizing Mapping physiologically. Report A16, Helsinki University of Technology, Laboratory of Computer and Information Science.
• [12] Kohonen, T. (1993). Physiolocigal interpretation of the self-organizing map algorithm. Neural Networks, 6(7):895-905.
• [13] Koikkalainen, P. (1994). Progress with the treestructured self-organizing map. In Cohn, A. G., editor, Proceedings of ECAI'94, 11th European Conference on Artificial Intelligence, pages 211-215, New York. John Wiley & Sons.
• [14] Autonomiczne pojazdy P Kardasz, O Lyubov, E Kardasz, Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej 2017
• [15] Krista Lagus, Timo Honkela, Samuel Kaski, and Teuvo Kohonen WEBSOM - A Status Report, Publications of the Finnish Artificial Intelligence Society, pp. 73-78. 1998

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).