Wpływ funkcji sąsiedztwa na efektywność uczenia sieci neuronowych Kohonena implementowanych sprzętowo

• Autorzy: Kolasa M. , Długosz R. , Figas A.

Warianty tytułu

EN

An influence of the neighborhood function on the learning process of the hardware implemented Kohonen neural networks

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki badań prezentujące wpływ wyboru funkcji sąsiedztwa (neighborhood function - NF) w sieciach Kohonena na jakość procesu uczenia się tych sieci. Celem badań jest określenie, która NF może być najefektywniej zrealizowana sprzętowo, a jednocześnie nie pogarsza jakości procesu uczenia się samoorganizujących się sieci neuronowych. Zbadano efektywność uczenia sieci Kohonena, korzystając z miary błędu kwantyzacji oraz błędu topograficznego. Dokonano porównania uzyskanych wyników dla czterech typów funkcji sąsiedztwa oraz trzech topologii warstwy wyjściowej sieci.

EN

The paper presents an influence of the type of the neighborhood function (NF) on the learning process of the Kohonen neural networks. Four different NF and three topology have been compared. The objective was to determine which NF is the most efficient looking both from the transistor level implementation and the learning quality points of view. The effectiveness of the learning process of SOMs was assessed using two criteria: the quantization error and the topographic error.

Słowa kluczowe

PL

sieci neuronowe Kohonena; funkcja sąsiedztwa; implementacja CMOS; niski pobór mocy

EN

Kohonen neural networks; neighborhood function; CMOS implementation; low energy consumption

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Prace Naukowe Politechniki Śląskiej. Elektryka
• Rocznik: 2013
• Tom: z. 1
• Strony: 103--112
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Kolasa M.

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy, Wydział Telekomunikacji i Elektrotechniki, ul. Kaliskiego 7 85-796 Bydgoszcz

autor

Długosz R.

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy, Wydział Telekomunikacji i Elektrotechniki, ul. Kaliskiego 7 85-796 Bydgoszcz

autor

Figas A.

• Politechnika Poznańska, Katedra Inżynierii Komputerowej, ul. Piotrowo 3A 60-695 Poznań

Bibliografia

• 1. Abuelma`ati M. T., Shwehneh A.: A reconfigurable Gaussian/Triangular Basis Function Computation Circuit. „IEEE International Conference on Computer Systems and Applications”2006, p. 232-239.
• 2. Boniecki P.: The Kohonen neural network in classification problems solving in agricultural engineering. „Journal of Research and Applications in Agricultural Engineering” 2005, Vol.50, p. 37-40.
• 3. Brocki Ł.: Kohonen self-organizing map for the traveling salesperson problem. Recent Advances in Mechatronics, Springer 2007.
• 4. Długosz R., Kolasa M.: CMOS, programmable, asynchronous neighborhood mechanism for WTM Kohonen neural network. Proc. International Conference Mixed Design of Integrated Circuits and Systems, Poznań 2008, p. 197-201.
• 5. Długosz R., Talaśka T., Pedrycz W., Wojtyna R.: Realization of the conscience mechanism in cmos implementation of winner-takes-all self-organizing neural networks. „IEEE Transactions on Neural Networks” 2010, Vol. 21 (6), p. 961-971.
• 6. Kohonen T.: Self-Organizing Maps, third ed. Springer.Berlin 2001.
• 7. Kolasa M., Długosz R., Bieliński K.: White Electronics, Programmable, Asynchronous, Triangular Neighborhood Function for Self-Organizing Maps Realized on Transistor Level.INTL „Journal of Electronics and Telecommunications” 2010, Vol.56, No. 4, p. 367-373.
• 8. Li F., Chang C. H., Siek L.:A compact current mode neuron circuit with Gaussian taper learning capability.IEEE International Symposium on Circuits and Systems. 2009, p. 2129-2132.
• 9. Masmoudi D. S.: Dieng A. T., Masmoudi M.:A subtreshold Mode Programmable Implementation of the Gaussian Function for RBF Neural Networks Applications.„IEEE International Symposium on Intelligent Control”2002, p. 454-459.
• 10. Mokris I., Forgac R.:Decreasing the Feature Space Dimension by Kohonen Self-Organizing Maps, 2ndSlovakian –Hungarian Joint Symposium on Applied Machine Intelligence, Słowacja 2004.
• 11. Osowski S.:Sieci neuronowe w ujęciu algorytmicznym.WNT, Warszawa 1996.
• 12. Peiris V., Hochet B., Abdo S., Declercq M.: Implementation of a Kohonen map with learning capabilities. Proc. IEEE International Symposium on Circuit and Systems, Singapur 1991, p. 1501-1504.
• 13. Pena J., Vanegas M., Valencia A.: Digital hardware architectures of Kohonen’s self orga-nizing feature maps with exponential neighboring function. Proc. of IEEE International Conference on Reconfigurable Computing and FPGA’s.Meksyk 2006, p. 1-8.
• 14. Su M-C., Chang H-T., Chou C-H.:A Novel Measure for Quantifying the Topology Preservation of Self-Organizing Feature Maps.„Neural Processing Letters” 2002,Vol. 15, p. 137-145.
• 15. Uriarte E.A., Martin F.D., Topology Preservation in SOM.„International Journal of Applied Mathematics and Computer Sciences” 2005, Vol. 1, p. 19-22.