Clustering and filtering of measurement data based on dynamic self-organizing neural networks

• Autorzy: Gorzałczany M. B. , Rudziński F.

Warianty tytułu

PL

Grupowanie i filtracja danych pomiarowych z wykorzystaniem dynamicznych, samoorganizujących się sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The paper presents an application of dynamic self-organizing neural networks (introduced by the same authors) to clustering of complex, multidimensional measurement-type data using as an example the so-called Synthetic Control Chart Time Series available at WWW server of the Department of Information and Computer Science, the University of California at Irvine. Moreover, after deactivation of some of the mechanisms governing the operation of the proposed networks they become efficient tools for signal and data filtering. The filtering of Equiptemp measurement data set available from Time Series Library by means of the proposed networks is also briefly presented.

PL

Artykuł prezentuje zastosowanie tzw. dynamicznych samoorganizujących się sieci neuronowych (zaproponowanych przez autorów tej pracy) do grupowania złożonych, wielowymiarowych danych pomiarowych na przykładzie zbioru danych Synthetic Control Chart Time Series dostępnego na serwerze WWW Uniwersytetu Kalifornijskiego w Irvine (Department of Information and Computer Science). Proponowane sieci, w trakcie procesu uczenia, są w stanie dzielić swoje łańcuchy neuronów na podłańcuchy, ponownie łączyć wybrane podłańcuchy ze sobą oraz dynamicznie zmieniać całkowitą liczbę neuronów sieci. Cechy te umożliwiają im jak najlepsze dopasowanie się do nieznanych z góry struktur "zakodowanych" w danych. Funkcjonowanie proponowanych sieci zilustrowano najpierw na przykładzie złożonego zbioru danych dwuwymiarowych typu dwóch spiral. Po wyłączeniu pewnych mechanizmów rządzących funkcjonowaniem proponowanych sieci stają się one również efektywnymi narzędziami filtracji sygnałów. Przykłady filtracji danych pomiarowych zawartych w zbiorze Equiptemp pochodzącym z tzw. Time Series Library są również przedstawione w artykule.

Słowa kluczowe

EN

computational intelligence; self-organizing neural networks; clustering; filtering; measurement data

PL

inteligencja obliczeniowa; samoorganizujące się sieci neuronowe; grupowanie

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 12
• Strony: 1416--1419
• Opis fizyczny: Bibliogr. 7 poz., rys., tab., wzory

Twórcy

autor

Gorzałczany M. B.

autor

Rudziński F.

• Department of Electrical and Computer Engineering, Kielce University of Technology, Al. 1000-lecia Państwa Polskiego 7, 25-314 Kielce,

Bibliografia

• [1] Gorzałczany M. B., Rudziński F.: Applicacion of genetic algorithms and Kohonen networks to cluster analysis, in L. Rutkowski, J. Siekmann, R. Tadeusiewicz, L. A. Zadeh (Eds.), Artificial Intelligence and Soft Computing - ICAISC 2004, Lecture Notes in Artificial Intelligence 3070, Springer-Verlag, Berlin, Heidelberg, New York, 2004, pp. 556-561.
• [2] Gorzałczany M. B., Rudziński F.: Modified Kohonen networks for complex cluster-analysis problems, in L. Rutkowski, J. Siekmann, R. Tadeusiewicz, L. A. Zadeh (Eds.), Artificial Intelligence and Soft Computing - ICAISC 2004, Lecture Notes in Artificial Intelligence 3070, Springer-Verlag, Berlin, Heidelberg, New York, 2004, pp. 562-567.
• [3] Gorzałczany M. B., Rudziński F.: Cluster Analysis via Dynamic Self-organizing Neural Networks, in L. Rutkowski, R. Tadeusiewicz, L. A. Zadeh, J. Zurada (Eds.), Artificial Intelligence and Soft Computing - ICAISC 2006, Lecture Notes in Artificial Intelligence 4029, Springer-Verlag, Berlin, Heidelberg, 2006, pp. 593-602.
• [4] Gorzałczany M. B., Rudziński F.: Application of dynamic self-organizing neural networks to WWW-document clustering, International Journal of Information Technology and Intelligent Computing, Vol. 1, No 1, 2006, pp. 89-101.
• [5] Gorzałczany M. B., Rudziński F.: WWW-newsgroup-document clustering by means of dynamic self-organizing neural networks, in L. Rutkowski, R. Tadeusiewicz, L. A. Zadeh, J. Zurada (Eds.), Artificial Intelligence and Soft Computing - ICAISC 2008, Lecture Notes in Artificial Intelligence 5097, Springer-Verlag, Berlin, Heidelberg, 2008, pp. 88-96.
• [6] Hyndman, R. J. (n. d.): Time Series Data Library, accessed on July 10, 2010 (http://robjhyndman.com/TSDL).
• [7] UCI Knowledge Discovery in Databases Archive of the Department of Information and Computer Science, University of California at Irvine (http://kdd.ics.uci.edu).