Automatyczna redukcja wymiaru danych wejściowych dla problemów klasyfikacji

• Autorzy: Horzyk A.

Warianty tytułu

EN

Automatic reduction of input data dimension for classification problems

• Języki publikacji: PL

Abstrakty

PL

Problem redundancji danych wejściowych - znany również jako problem przekleństwa wymiaru danych wejściowych - dla różnego rodzaju algorytmów uczących jest dobrze znany. Skutki takiej nadmiarowości prowadzą zazwyczaj do niekorzystnych zjawisk w procesie adaptacji parametrów konstruowanych systemów. Ponadto wpływają niekorzystnie na wydłużenia czasu obliczeń i złożoności konstruowanego modelu heurystycznego. W artykule tym zaprezentowano nową metodę pozwalającą automatycznie dokonać redukcji wymiaru danych wejściowych z uwzględnieniem istoty poszczególnych danych wejściowych dla problemów klasyfikacji.

EN

Reduction of data dimension is one of the important problems known as curse of dimensionality problem. Redundant input data dimension almost always disturbs the process of train or adaptation of constructed classification system. Moreover, the constructed heuristic model is more complex and the training time is much longer. This paper presents a new method able to reduce input data dimension in such a way to remove the less important and discriminative features.

Słowa kluczowe

PL

sieci neuronowe; klasyfikacja

EN

neural networks; classification problems

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2004
• Tom: T. 8, z. 3
• Strony: 487--496
• Opis fizyczny: Bibliogr. 7 poz., rys.

Twórcy

autor

Horzyk A.

• Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• [1] Fiesler E., Cios K..J.: Supervised ontogenic networks. Handbook of neural computation. In: Fiesler E., Beale R. (eds), Bristol & New York, IOP Publishing Ltd and Oxford University Press, 1997, C1.7
• [2] Hellwig Z.: Elementy rachunku prawdopodobieństwa i statystyki matematycznej. Warszawa, PWN 1993, 4(M5
• [3] Horzyk A.: Fast Automatic Configuration of Artificial Neural Networks Used for Binary Patterns Recognition. Biocybernetics and Biomedical Engineering', vol. 21(1), Warsaw, PWN 2001, 25- 36
• [4] Horzyk A.: New Efficient Ontogenic Neural Networks for Classification Tasks. In: Advanced Computer Systems, Soldek J., Drobiazbiewicz L. (eds), Informa, Szczecin, 2002, 295-302
• [5] Horzyk A.: New Ontogenic Neural Network CIassificator Based on Probabilistic Reasoning. Advances in Soft Computing. Neural Networks and Soft Computing, Rutkowski L., Kacprzyk J. (eds), Heidelberg, Physica Verlag, Springer-Verlag Company 2003, 188-193
• [6] Jankowski N., Duch W.: Ontogeniczne sieci neuronowe. W: Sieci neuronowe. Biocybernetyka i inżynieria biomedyczna, t. 6, W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz (red.), Warszawa, Exit 2000, 257-294
• [7] Obuchowicz A.: Optymalizacja architektury sieci neuronowych. Sieci neuronowe. Biocybernetyka i inżynieria biomedyczna, t. 6, W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz (red.), Warszawa, Exit 2000, 323-370