Chemometria jako wydajne narzędzie analizy danych środowiskowych. Cz. 5. Inteligentne techniki analizy danych

• Autorzy: Astel A.
• Języki publikacji: PL

Abstrakty

PL

Słowa kluczowe

EN

chemomertics; data analysis; techniques of data analysis

• Wydawca: Roble Sp. z o.o.
• Czasopismo: LAB Laboratoria, Aparatura, Badania
• Rocznik: 2008
• Tom: R. 13, nr 1
• Strony: 44--49
• Opis fizyczny: Bibliogr. 30 poz.

Twórcy

autor

Astel A.

• Akademia Pomorska, Zakład Chemii Środowiskowej, Instytut Biologii i Ochrony Środowiska, Słupsk,

Bibliografia

• [1] Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa (1993)
• [2] Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Waraszawa (1996)
• [3] Korbicz J., Obuchowicz A., Uciński D., Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa (1994)
• [4] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwo Naukowo-Techniczne, Warszawa (1996)
• [5] Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Łódź (1999)
• [6] Einax J.W.,Truckenbrodt D., Kampe O., River pollution data interpreted by means of che-mometric methods, Michrochem. J., 58, 315-324 (1998)
• [7] Zhang L., Wen L., Lu Y., Yang P., Quantitative fuzzy neural network for analytical determination, Anal. Chim. Acta, 468,105-117(2002)
• [8] Magelseen G.R., Elling J.W., Chromatography pattern re-cognition of Aroclors using iterative probabilistic neural networks, J. Chrom. A, 775, 231-242(1997)
• [9] Ruisheng Z., Shuhui L., Mancang L., Zhide H., Neural network-molecular descriptors approach to the prediction of properties of alkenes, Computers Chem., 21 (5), 335--341 (1997)
• [10] Tuovinen K., Kolenhmainen M., Paakkanen H., Determination and identification of pesticides from liquid matrices using ion mobility spectrometry, Anal. Chim. Acta, 429, 257-268 (2001)
• [11] Ganadu M.L., Lubinu G., Tilocca A., Amendolia S.R., Spectroscopic identification and quantirative analysis of binary mixtures using artificial neural networks, Talanta, 44,1901-1909(1997)
• [12] Kompany-Zareh M., Massoumi A., Pezeshk-Zadeh Sh., Simultaneous spectrophotometric determination of Fe and Ni with xylenol orange using principal component analysis and artificial neural networks in some industrial samples, Talanta, 48, 283-292 (1999)
• [13] Kohonen T., Self-organiznig formation of topologically correct feature maps, Biol. Cybern., 43,59-69, (1982)
• [14] Astel A., Tsakovski S., Barbieri P.L., Simeonov V., A comparison of SOM classification approach with cluster analysis and PCA for large environmental data sets, Wat. Res. 41 (19), 4566-4578 (2007)
• [15] Astel A., Tsakovski S., SimeonovV., Reisenhofer E., Piselli S., Barbieri P., Multivariate classification and modeling in surface water pollution estimation, Anal. Bioanal. Chem., (zaakceptowano do druku)
• [16] Dzwinel K., Haber A., Krawiec D., Zastosowanie samoorganizujących sieci neuronowych Kohonena w klasyfikacji sejsmofacjalnej (rejon Ujkowice-Batycze), Geologia, 4(32), 441-450 (2006)
• [17] Bielak J., Zastosowanie sieci Kohonena do klasyfikacji próbek węgla kamiennego wg PN-54/G-97 002, [http://student.wszia.edu.pl/msi/pdf/sieck.pdf]
• [18] Migdał Najman K., Najman K., Zastosowanie sieci neuronowej typu SOM do wyboru najatrakcyjniejszych spółek na WGPW w oparciu o wskaźniki analizy fundamentalnej, Sopot (2001) [http://panda.bg.univ.gda.pl/~prezes/WWW_SIECI_EU-RONOWE_analiza_techniczna.pdf]
• [19] Grabska-Chrząstowska J., Fiedor M., Tucholska K., Weryfikacja działania sieci Kohonena przetwarzających dane ankietowe zebrane wśród studentów krakowskiej AWF, Automatyka, 10 (3), 503-511 (2006)
• [20] Rauber A., Merkl D., Dittenbach M., The growing hierachical self-organiznim map: exploratory analysis of high-dimensional data, IEEE Transactions on Neural Networks, 13 (6), 1331-1342, (2002)
• [21] Rauber A., LabelSOM: On the labeling of self-organizing maps, Materiały konferencyjne IJCNN'99 International Joint Conference on Neural Networks, 5, 3527-3532, (1999)
• [22] Honkela T., Kaski S., Kohonen T., Lagus K., Self-organizing maps of very large document collections: Justification for the WEBSOM method. W: Balderjahn I., Mathar R., Schader M., (Ed.), Classification, Data Analysis, and Data Highways, 245-252. Springer, Berlin (1998)
• [23] Kaski S., Honkela T., Lagus K., Kohonen T., WEBSOM-selforganizing maps of document collections, Neurocom-puting, 21,101-117(1998)
• [24] Kaski S., Lagus K., Honkela T., Kohonen T., Statistical aspects of the WEBSOM system in organizing document collections, Comput. Sci. Stat., 29,281-290,(1998)
• [25] Vesanto J., Himberg J., Alhoniemi E., Parhankagas J., SOM Toolboxfor Matlab 5, Report A57, 2000; http://www.cis.hut.fi/projects/somtool-box/
• [26] Kohonen T. Self-organizing maps. New York, Inc: Springer (1995)
• [27] http://www.kik.pcz.czest.pl/nn/samoorg.php?art=2
• [28] Małek S., Astel A., Throughfall chemistry in a spruce chronosequence in southern Poland, Env.Pollut., (zaakceptowano do druku)
• [29] Astel A., Małek S., Sieci neuronowe jako narzędzie klasyfikacji próbek w analizie chromatograficznej, Works&Studies,(70) 65-75 (2007)
• [30] Astel A., Małek S., Multivariate modeling and classification of environmental n-way data from bulk precipitation quality control, J. Chemometrics (złożono do recenzji)