Wyniki wyszukiwania - BazTech

1

Sztuczne sieci neuronowe ANN : sieci Kohonena

Iljaszewicz Paweł

Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka

|

2018

|

vol. 8, nr 1

34--39

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.

2

Use of neural networks in risk assessment and optimization of insurance cover in innovative enterprises

Pukała R.

Ekonomia i Zarządzanie

|

2016

|

Vol. 8, no. 3

43--56

EN

The scientific objective of the paper is to present the findings of a study into the use of artificial neural networks in quantifying activity related risks of an innovative enterprise and to optimize its insurance cover in order to minimize the probable financial losses whenever they materialize. The Kohonen network involving the activation of 51 input variables was applied in the study. The outcomes of the stimulation for the given set of variables made it possible to determine the probability of a threat occurring in the classes. The results of the analysis were used to prepare an optimal insurance cover for the activities of the innovative company. The research findings are suitable for use in risk theory as well as in issues relating to entrepreneurship and insurance. The analytical device employed can also be put to practical use as a support tool in corporate risk management.

3

Ocena rentowności spółek dystrybucyjnych z wykorzystaniem sztucznych sieci neuronowych

Halicka K.

Rynek Energii

|

2011

|

nr 1

54-59

PL

Sztuczne sieci neuronowe (SSN) należące do technik obliczeniowych sztucznej inteligencji, ze względu na swoje własności obliczeniowe znajdują szerokie zastosowania w takich dziedzinach jak ekonomia, zarządzanie czy elektroenergetyka. W elektroenergetyce od kilkunastu lat wspomagają one między innymi działania związane ze sterowaniem pracą sytemu elektroenergetycznego, analizą zakłóceń, diagnostyką, czy też planowaniem i prognozowaniem [1, 4, 9]. Celem niniejszego artykułu jest przedstawienie zastosowania SSN - sieci Kohonena do badania wyniku finansowego przedsiębiorstw sektora elektroenergetycznego. Na podstawie informacji pochodzących ze sprawozdań finansowych spółek dystrybucyjnych obliczono podstawowe wskaźniki rentowności. Następnie, wykorzystując sieci Kohonena, wyodrębniono podobne do siebie pod względem rentowności przedsiębiorstwa i połączono je w grupy. Zdaniem autorki, w warunkach krajowych, podjęta problematyka ma charakter innowacyjny, a jej opracowanie może przyczynić się do zwiększenia efektywności ekonomicznej spółek dystrybucyjnych.

EN

Artificial neural networks (ANN), as an artificial intelligence calculating technique, thanks to its calculating features, are commonly used in economy, management or electroenergetics. In electroenergetics since years they support for instance activities connected with electrenergetic system of steering, disturbance analysis, diagnostics, planning or forecasting [1, 5, 9]. The aim of the paper is to present the application of ANN - Kohonen networks to examine the financial results of electroenergetic enterprises. On the basis of information from the financial reports of distribution corporations, basic coefficients of profitability were calculated. Next, with the usage of Kohonen networks, corporations similar in terms of profitability were isolated and subsequently they were divided into groups. In the author's opinion, in Polish conditions, the issues addressed in the paper are innovative and their elaboration can contribute to the increase of economic effectiveness in distribution corporations.

4

An influence of current-leakage in analog memory on training Kohonen neural network implemented on silicon

Długosz R., Talaśka T., Wojtyna R.

Przegląd Elektrotechniczny

|

2010

|

R. 86, nr 11a

146-150

EN

The paper presents how the current leakage encountered in capacitive analog memories affects the learning process of hardware implemented Kohonen neural networks (KNN). MOS transistor leakage currents, which strongly depend on temperature, increase the network quantization error. This effect can be minimized in several ways discussed in the paper. One of them relies on increasing holding time of the memory. The presented results include simulations in Matlab and HSpice environments, as well as measurements of a prototyped KNN realized in a 0.18žm CMOS process.

PL

W pracy pokazano jak prąd upływu występujący w analogowych komórkach pamięci wpływa na proces uczenia w sprzętowych realizacjach sieci neuronowych Kohonena (KNN). Prądy upływu w tranzystorze MOS, które mocno zależą od temperatury, zwiększają błąd kwantyzacji sieci. Efekt ten może być minimalizowany na różne sposoby, omówione w pracy. Jeden z nich polega na wydłużeniu czasu przechowywania informacji w komórkach pamięci. Przedstawione wyniki zawierają symulacje w środowiskach Matlab i Hspice, a także badania laboratoryjne prototypu sieci KNN, wykonanego w technologii CMOS 0.18žm.

5

Kohonen networks as ships classifier

Żak A.

Hydroacoustics

|

2008

|

Vol. 11

467-476

EN

The paper presents the technique of artifficial neural networks used as classifier of hydroacoustic signatures generated by moving ship. In the paper firstly the method of feature extraction from hydracoustic signatures using calculation of Mel-Frequency Cepstral Coefficients was discussed. Next the mathod of feature matching using for purpose of object classification basing on hydroacoustic signatures was described. The technique of artificial neural networks especially Kohonen networks which belongs to group of self organizing networks where chosen to solve the research problem of classification. the choice was caused by some advantages of mentioned kind of neural networks for example they are ideal for finding relationships amongst complex sets of data, they have possibility to self expand the set answers for new input vectors. To check the correctness of classifier work the research in which the number of right classification for presented and not presented before hydroacoustic signatures were made. some results of research were presented on this paper.

6

Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej

Czechowicz A., Mikrut Z.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2007

|

Vol. 17a

149--158

PL

Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.

EN

This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.

7

Algorytmy genetyczne oraz sieci Kohonena w zagadnieniach wyznaczania skupisk (klastrów) w złozonych zbiorach danych

Gorzałczany M. B., Rudziński F.

Zeszyty Naukowe Politechniki Świętokrzyskiej. Elektryka

|

2004

|

Z. 41

55-69

PL

W niniejszej pracy przedstawiono dwie metody wyznaczania skupisk (klastrów) w złożonych zbiorach danych: a) metodę wykorzystującą-bazujące na algorytmie genetycznym - rozwiązanie zadania komiwojażera, przedstawione w kolejnej pracy tych samych autorów zawartej w niniejszym Zeszycie Naukowym, oraz b) metodę wykorzystującą samoorganizującą sie siec Kohonena. Obie metody przedstawiono z wykorzystaniem przykładowego zbioru danych, a nastepnie przetestowano i porównano wykorzystując rzeczywisty złożony i wielowymiarowy zbiór danych (tzw. Zoo Database) dostępny na serwerze FTP Uniwersytetu Kalifornijskiego w Irvine (ftp.ics.uci.edu).

EN

The paper presents two methods for determining the number of clusters in complex data sets: a) a method utilizing the genetic-algorithm-based solution of the traveling Salesman problem presented in the following paper (by the same authors) included in this volume, and b) a method utilizing self-organizing Kohonen network. Both methods have been presented by means of an exemplary data set and then they have been tested and compared on the real, complex and multidimensional data set (Zoo Database) available from FTP server of the University of California at Irvine (ftp.ics.uci.edu).

8

Sieć Kohonena w kompresji obrazów radarowych

Praczyk T.

Zeszyty Naukowe Akademii Marynarki Wojennej

|

2003

|

R. 44 nr 1 (152)

115-124

PL

Obraz morskiego radaru nawigacyjnego może być podstawą perspektywicznego systemu wyznaczenia pozycji okrętu. Obrazy uzyskane z radarów nawigacyjnych zawierają zwykle ogromne ilości informacji. Wykorzystanie jej w całości w systemach pozycjonowania jest praktycznie niemożliwe. Wiąże się to z ograniczonymi możliwościami obliczeniowymi współczesnych komputerów. Konieczne staje się zatem skondensowanie występującej w każdym obrazie informacji do wielkości akceptowalnej z punktu widzenia praktycznych zastosowań. Efekt taki możemy uzyskać poprzez zastosowanie metod ekstrakcji cech z zarejestrowanych obrazów radarowych. Artykuł prezentuje jedną z metod ekstrakcji cech bazującą na możliwościach samoorganizującej sieci Kohonena.

EN

A picture obtained from a shipboard navigation radar can be a basis for future ship position fixing system. Pictures obtained from navigational radars usually contain huge amounts of information. It is practically impossible to use all of them. This is connected with limited computing capacity of contemporary computers. Thus it becomes necessary to condense information contained in each picture to the magnitude acceptable with regard to practical applications. This can be achieved by employing methods for extracting features from recorded radar pictures. The paper presents one of the feature extraction methods based on possibilities of self-organizing Kohonen net and GRNN net.