Wyniki wyszukiwania - BazTech

1

Wykorzystanie sieci neuronowej Kohonena do wizualizacji danych MPG

Oszutowska-Mazurek D. A.

Problemy Nauk Stosowanych

|

2016

|

T. 4

19--30

PL

Wstęp i cel: Zastosowanie sieci neuronowych Kohonena zapewnia zmniejszenie wielowymiarowości danych. Wizualizacja w postaci map samoorganizujących się (SOM) jest użytecznym narzędziem do wstępnego kastrowania (grupowania) danych. Materiał i metody: Wizualizację przeprowadzona dla rzeczywistych danych, udostępnionych przez uniwersytet w Kalifornii za pomocą oprogramowania SNNS v.4.3. Głównym celem pracy jest zastosowanie sieci neuronowych Kohonena zapewniające zmniejszenie wielowymiarowości danych. Wyniki: Otrzymano wizualizacje danych wskazujące jednoznacznie na dodatnie i ujemne korelacje danych MPG. Wniosek: Mapy samoorganizujące się mogą być dedykowane wizualizacji danych wielowymiarowych jednak wyniki zależą od sposobu mapowania danych wejściowych, zwłaszcza o charakterze jakościowym, nawet jeśli stosowana jest normalizacja każdego z parametrów.

EN

Introduction and aim: The use of Kohonen neural network ensures the decrease of data multidimensionality. Visualisation called Self organized maps is useful tool for preliminary data clustering. Material and methods: The visualisation of real data set was obtained with the use of program SNNS v.4.3 for real dataset from California University. The main aim of this paper is the use of Kohonen neural network to ensure the reduction of multidimensional data. Results: Obtained visualisations of data indicate unambiguously positive and negative correlations for MPG data Conclusion: Self organising maps could be dedicated to multidimensional data visualisation and preliminary quality assessment, but the results depend on the mapping method of input data, especially quantity type, even if normalisation of every parameter is provided.

2

Ocena średnic przewodów wodociągowych za pomocą sieci neuronowych Kohonena

Dawidowicz J.

Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture

|

2015

|

z. 62, nr 1

43--64

PL

Projektowanie systemu dystrybucji wody nieodłącznie wiąże się z wykonaniem obliczeń, których celem jest m.in. wyznaczenie natężenia przepływów przez poszczególne przewody oraz dobór średnic z zachowaniem odpowiednich prędkości przepływu. W obliczeniach systemów dystrybucji wody od wielu lat stosuje się technikę komputerową. Zwiększająca się moc obliczeniowa komputerów samoistnie nie rozwiąże złożonych problemów. Dopiero zastosowanie zaawansowanych metod obliczeniowych pozwoli usprawnić proces obliczeniowy i poprawić jakość rozwiązań. Obecnie dąży się do stworzenia programów obliczeniowych, które będzie charakteryzować pewien stopień kreatywności, co powinno ułatwić użytkownikom podejmowanie decyzji na różnych etapach realizacji zadania i poprawić jakość rozwiązań. Wydaje się, że klasyczne algorytmy o sformalizowanym przebiegu można uzupełnić znacznie bardziej zaawansowanymi technikami obliczeniowymi, w tym modelowaniem za pomocą sztucznych sieci neuronowych. W niniejszej pracy rozpatrzono możliwość zastosowania sztucznych sieci neuronowych Kohonena do oceny średnic przewodów wodociągowych. Opisano metodykę budowy zbioru danych do uczenia sieci neuronowych, metodykę procesu uczenia sieci oraz zestawiono przeanalizowane warianty sieci Kohonena. Omówiono dobór danych wejściowych oraz struktury sieci Kohonena. Uzyskane wyniki pozwalają wnioskować, że te sieci neuronowe mogłyby być uzupełnieniem tradycyjnych metod obliczeniowych. Zaletą tego rozwiązania jest mapa topologiczna, która w sposób graficzny pokazuje położenie danej średnicy względem innych średnic w zależności od parametrów opisujących odcinek obliczeniowy. Dodatkowy moduł programu komputerowego wykorzystujący sieć neuronową pozwoli zaakceptować przyjętą do obliczeń lub dokonać korekty średnicy przewodu wodociągowego.

EN

Designing water distribution systems is inherently linked to the implementation of calculations whose aim is, among others, to determine flow rates for individual pipes and choose diameters with appropriate flow velocity. In the calculations for water distribution systems, computer technology has been used for many years. Increasing computing power will not, however, solve the complex problems by itself. Only the application of advanced computational methods is able to genuinely enhance the computational process and improve the quality of the used solutions. Currently, the goal is to develop such computer programs that would feature a certain degree of creativity, which should help users make decisions at different stages of performing the task, and improve the quality of the used solutions. It appears that traditional algorithms with a formalized pattern can now be replaced by more sophisticated computational techniques, including modeling with the use of artificial neural networks. The following paper examines the possibility of applying Kohonen artificial neural networks (also known as self-organizing maps) to evaluate the diameter of water pipes. The study describes the construction methodology behind the data set for neural network learning and network learning process methodology, also summarizing the analyzed variants of Kohonen networks. The paper then goes on to discuss the selection of input data and the Kohonen network structure. The obtained results allow to conclude that these neural networks could complement the traditional methods of calculation. The advantage of this solution is the topological map which graphically shows the location of a given diameter with respect to the other diameters, depending on the parameters describing the calculation section. The additional module of a computer program, based on a neural network, will help approve, or revise, the adopted water pipe diameter.

3

Zastosowanie metod eksploracji danych do segmentacji rynków

Setlak G., Paśko Ł.

Studia Informatica

|

2013

|

Vol. 34, nr 2A

311--323

PL

Celem niniejszego artykułu są przedstawienie i ocena możliwości wykorzystania metod eksploracji danych do segmentacji rynków zbytu. Przedstawiono segmentacje opisową i predykcyjną oraz przeanalizowano wyniki rozwiązywania zadań klasyfikacji i grupowania danych za pomocą sieci neuronowych Kohonena oraz drzew klasyfikacyjnych CART i CHAID. W pracy wykorzystano dane dotyczące rynków zbytu przedsiębiorstwa produkującego wyroby gospodarstwa domowego.

EN

The purpose of this paper is to present and evaluate the possibility of using data mining methods in the market segmentation process. In the paper the descriptive and predictive segmentation were presented and the results of classification and clustering data were analyzed. To carry out the analysis were used following methods: Kohonen neural networks, CART and CHAID. The analysis concerns the manufacturing company producing household products.

4

Fast and Energy Efficient Learning Algorithm for Kohonen Neural Network Realized in Hardware

Kolasa M.

Acta Mechanica et Automatica

|

2012

|

Vol. 6, no. 3

52-57

EN

A new fast energy efficient learning algorithm suitable for hardware implemented Kohonen Self-Organizing Map (SOM) is proposed in the paper. The new technique is based on a multistage filtering of the quantization error. The algorithm detects such periods in the learning process, in which the quantization error is decreasing (the ‘activity’ phases), which can be interpreted as a progress in training, as well as the ‘stagnation’ phases, in which the error does not decrease. The neighborhood radius is reduced by 1 always just after the training process enters one of the ‘stagnation’ phases, thus shortening this phase. The comprehensive simulations on the software model (in C++) have been carried out to investigate the influence of the proposed algorithm on the learning process. The learning process has been assessed by the used of five criteria, which allow assessing the learning algorithm in two different ways i.e., by expressing the quality of the vector quantization, as well as the topographic mapping. The new algorithm is able to shorten the overall training process by more than 90% thus reducing the energy consumed by the SOM also by 90%. The proposed training algorithm is to be used in a new high performance Neuroprocessor that will find a broad application in a new generation of Wireless Body Area Networks ( WBAN) used in the monitoring of the biomedical signals like, for example, the Electrocardiogram (ECG) signals.

5

Application of Cluster Analysis Performed by SOM Neural Network to the Creation of Financial Transaction Strategies

Morajda J., Domaradzki R.

Journal of Applied Computer Science

|

2005

|

Vol. 13, nr 1

87-98

EN

The authors propose a method of construction of transaction strategies in capital markets, which utilizes a Kohonen neural network called also self-organizing map (SOM). This network is applied for cluster analysis of input vectors that describe particular states of a stock market. The presented approach is quite different than typical neural techniques used for financial markets modeling or prediction, as it utilizes a network trained with an unsupervised method. The paper submits also the research concerning the effectiveness of the described method, based on analysis of active investment strategy for stocks of KGHM (Polish mining and metallurgy corporation).

6

Pathological speech recognition based on images generated by the Kohonen neural network

Kapusta M., Gajer M., Shomali A.

Image Processing & Communications

|

1999

|

Vol. 5, no 2

11-17

EN

The nature of speech signal is very complicated, that causes that its visualisation and further analysis, without some initial pre-processing, is very complicated and doesn't always bring the desired effects. Speech signal in most cases is represented by videograms. The analysis of these forms of signal visualisation is not easy because of difficulties in their interpretation. In this article the usage of Kohonen neural network for visualising speech signals uttered by children with a cleft palate was proposed. Speech signal is converted to its spectrum matrices representation, which constitutes the input for Kohonen neural network. Further a method for generating a simplified form of speech signal (a poly-line figure) based on the network's output was presented. In addition a method for pathological speech signal recognition was presented. Test results based on utterances obtained from children with a cleft palate were presented.