PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 11

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  Kohonen neural networks
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Ocena segmentacji rynku za pomocą miar jakości grupowania danych
Paśko Ł., Setlak G.
Studia Informatica
|
2014
|
Vol. 35, nr 2
157--173
PL
Celem niniejszego artykułu jest przedstawienie miar służących do badania jakości grupowania danych i zastosowanie tych miar do oceny segmentacji rynku. W wykonanych badaniach analizowano dane dotyczące rynków zbytu przedsiębiorstwa produkującego wyroby gospodarstwa domowego. Segmentację rynku przeprowadzono z wykorzystaniem sieci neuronowych Kohonena. W pracy przedstawiono wyniki grupowania danych oraz ich ocenę. Wnioski na temat jakości utworzonych klastrów są próbą ogólnej oceny przeprowadzonej segmentacji rynku.
EN
The purpose of this paper is to present the measures used to evaluate the quality of data clustering and apply them to assess market segmentation. In the analysis the data of manufacturing companies that producing household products was used. The market segmentation was carried out using Kohonen neural network. This paper describes results of the clustering and evaluation of the clusters. The conclusions on the quality of clusters are attempt to overall assessment of the market segmentation.
2
Content available remote Wpływ funkcji sąsiedztwa na efektywność uczenia sieci neuronowych Kohonena implementowanych sprzętowo
Kolasa M., Długosz R., Figas A.
Prace Naukowe Politechniki Śląskiej. Elektryka
|
2013
|
z. 1
103--112
PL
W pracy przedstawiono wyniki badań prezentujące wpływ wyboru funkcji sąsiedztwa (neighborhood function - NF) w sieciach Kohonena na jakość procesu uczenia się tych sieci. Celem badań jest określenie, która NF może być najefektywniej zrealizowana sprzętowo, a jednocześnie nie pogarsza jakości procesu uczenia się samoorganizujących się sieci neuronowych. Zbadano efektywność uczenia sieci Kohonena, korzystając z miary błędu kwantyzacji oraz błędu topograficznego. Dokonano porównania uzyskanych wyników dla czterech typów funkcji sąsiedztwa oraz trzech topologii warstwy wyjściowej sieci.
EN
The paper presents an influence of the type of the neighborhood function (NF) on the learning process of the Kohonen neural networks. Four different NF and three topology have been compared. The objective was to determine which NF is the most efficient looking both from the transistor level implementation and the learning quality points of view. The effectiveness of the learning process of SOMs was assessed using two criteria: the quantization error and the topographic error.
3
Content available remote Wpływ funkcji sąsiedztwa na efektywność uczenia sieci neuronowych Kohonena implementowanych sprzętowo
Kolasa M., Długosz R., Figas A.
Prace Naukowe Politechniki Śląskiej. Elektryka
|
2011
|
z. 1
63-73
PL
W pracy przedstawiono wyniki badań prezentujące wpływ wyboru funkcji sąsiedztwa (neighborhood function - NF) w sieciach Kohonena na jakość procesu uczenia się tych sieci. Celem badań jest określenie, która NF może być najefektywniej zrealizowana sprzętowo, a jednocześnie nie pogarsza jakości procesu uczenia się samoorganizujących się sieci neuronowych. Zbadano efektywność uczenia sieci Kohonena, korzystając z miary błędu kwantyzacji oraz błędu topograficznego. Dokonano porównania uzyskanych wyników dla czterech typów funkcji sąsiedztwa oraz trzech topologii warstwy wyjściowej sieci.
EN
The paper presents influence of a type of the neighborhood function (NF) on the learning process of the Kohonen neural networks. Four different NF and three topology were compared. The objective was to determine which NF is the most efficient looking both from the transistor level implementation and learning quality points of view. The effectiveness of the learning process of SOMs was assessed using two criteria: the quantization and topographic errors.
4
Wybrane metody klasyfikacji bezwzorcowej w zastosowaniu do klasyfikacji danych dotyczących jakości życia mieszkańców państw OECD
Roszkowski M.
Metody Informatyki Stosowanej
|
2009
|
nr 2 (19)
113-120
PL
W niniejszej pracy zostaną zaprezentowane wyniki użycia dwóch metod bezwzorcowej klasyfikacji statystycznej (metoda aglomeracji, metoda grupowania k-średnich) oraz metody klasyfikacji bezwzorcowej za pomocą sieci neuronowej Kohonena.
EN
The article presents functioning of statistical methods of classification without the pattern: agglomeration and clusterization of k-averages and the method based on Kohonen neural network applied to classification the quality of life of OECD' inhabitants data.
5
Content available Sztuczne sieci neuronowe Kohonena jako narzędzie w taksonomii paleontologicznej - metodyka oraz zastosowanie na przykładzie późnokredowych belemnitów
Remin Z.
Przegląd Geologiczny
|
2008
|
Vol. 56, nr 1
58-66
EN
Artificial neural networks (ANNs), the computer software or systems that are able to "learn" on the basis of previously collected input data sets are proposed here as a new useful tool in paleontological modeling. Initially ANNs were designed to imitate the structure and function of natural neural systems such as the human brain. They are commonly used in many natural researches such as physics, geophysics, chemistry, biology, applied ecology etc. Special emphasis is put on the Kohonen self-organizing mapping algorithm, used in unsupervised networks for ordination purposes. The application of ANNs for paleontology is exemplified by study of Late Cretaceous belemnites. The Kohonen networks objectively subdivided the belemnite material] ~ 750 specimens) into consistent groups that could be treated as monospecific. The possibility of transferring these results to the language of classical statistics is also presented. Further development and possibility of use of ANNs in various areas of paleontology, paleobiology and paleoecology is briefly discussed.
6
Propozycja zastosowań sztucznych sieci neuronowych Kohonena w badaniach lingwistycznych
Gajer M.
Informatyka Teoretyczna i Stosowana
|
2007
|
R. 7, nr 11
55-61
PL
Zamieszczono propozycję zastosowania sztucznych sieci neuronowych Kohonena w badaniach lingwistycznych. Zasadniczą cechą sztucznych sieci neuronowych Kohonena jest zdolność do samoorganizacji neuronów i grupo-wania sygnałów wejściowych podobnego typu. Zgodnie z wynikami badań przeprowadzonych przez autora rozważana cecha sieci Kohonena pozwala na ich efektywne wykorzystanie w badaniach lingwistycznych prowadzonych nad pochodzeniem i wzajemnym pokrewieństwem języków naturalnych.
EN
The paper constitutes proposition of implementation of Kohonen neural networks in the artificial of linguistic research. The most important feature of Kohonen artificial neural networks is the possibility to self-organization of neurons and aggregation of input signals of the same type. According to the research results, that were obtained by this author, the above mentioned feature of Kohonen neural networks allows to use them effectively in linguis-tic research conducted on the origin and mutual relationship of natural languages.
7
Content available Weryfikacja działania sieci Kohonena przetwarzających dane ankietowe zebrane wśród studentów krakowskiej AWF
Grabska-Chrząstowska J., Fiedor M., Tucholska K.
Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
|
2006
|
T. 10, z. 3
503-511
PL
W pracy pokazano na przykładzie danych ankietowych przydatność sieci Kohonena do analizy danych wielowymiarowych. Dzięki redukcji do trzech wymiarów z jednej strony i analizie danych przez eksperta z drugiej strony zweryfikowano użyteczność sieci bez nauczyciela do rozdzielania zbioru danych na oddzielne grupy. Ostateczną weryfikację twierdzenia o braku zależności między opiniami studentów a ich wyborami preferowanych cech u wykładowców dokonano za pomocą sieci LVQ.
EN
On the basis of opinion survey data the paper shows the usefulness of Kohonen's networks for multidimensional data analysis. Due to a reduction to three dimensions on the one hand and the analysis of the data by an expert on the other, the usefulness of unsupervised learning networks for dividing a set of data into separate groups was verified. The final verification of the thesis that there is no correlation between students' opinions and their choices of preferred lecturers' features was carried out using an LVQ network.
8
Content available remote Anizotropowe modele sieci neuronowych SOM
Cader A.
Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
|
2003
|
T. 7, z. 3
537-542
PL
Klasyczne sieci SOM dają się modyfikować w różny sposób. Jednym z ciekawszych rozwiązań może być nadanie anizotropii warstwie Kohonena poprzez przyporządkowanie poszczególnym jej wymiarom różnych cech znaczących, a to z kolei stwarza podstawy dla kategoryzacji wielowymiarowej. Zaproponowano różne konstrukcje algorytmu prowadzącego do takich modeli sieci SOM oraz dokonano wstępnej oceny efektywności przyjętych rozwiązań.
EN
Classical Self Organizing Maps networks are easy to be modified in a different ways. One of the interesting solutions can be an anisotropy given to a Kohonen layer. It can be done by assigning various features to its different dimensions. This assignment is a basis of multidimensional optimization. In this paper various algorithms leading to such SOM networks models were proposed. Also some introductory estimates of assumed solutions were established.
9
Content available remote Analiza wielowymiarowych danych mikrobiologicznych za pomocą sieci neuronowych
Grabska-Chrząstowska J., Kitzman P., Pawlik P.
Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
|
2003
|
T. 7, z. 3
543-550
PL
W pracy przedstawiono analizę dotychczasowej metody rozdzielenia pod względem ilościowym dwóch szczepów bakterii Escherichia coli i Weisella viridescens, rosnących wspólnie w płynnym podłożu. Do zgłębiania wielowymiarowych danych użyto unikatowego połączenia dwóch sieci neuronowych, co doprowadziło do zmiany podejścia do zbierania danych. Wszystkie obliczenia wykonano przy pomocy pakietu Statistica Neural Network.
EN
The paper presents analysis of early existing method to distinguish quantitatively two bacterial strains Escherichia coli and Weisella viridescens growing together in the same liquid medium. Two neural networks unique connection are used to multidimensional data mining. It caused to change aproach to collection data. All the calculations were performed with the use of Statistica Neural Networks Package.
10
Content available remote Recognition of Pathological Utterances with the Usage of the Kohonen Neural Networks
Kapusta M., Gajer M., Shomali A.
Bulletin of the Polish Academy of Sciences. Technical Sciences
|
2000
|
Vol. 48, nr 1
117-122
EN
The nature of speech signal is very complicated, that causes that its visualization 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 networks for visualising speech signals uttered by children with a cleft palate was proposed. Speech signal is converted to its spectrum matrices representation, which in turn constitutes the input for Kohonen neural networks. 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.
11
Content available remote Rozpoznawanie mowy patologicznej na podstawie obrazów głosek szumowych
Kapusta M., Gajer M., Shomali A.
Kwartalnik Elektroniki i Telekomunikacji
|
1999
|
Vol. 45, nr 3-4
405-417
PL
Sygnał mowy posiada bardzo skomplikowaną naturę, która sprawia że jego zobrazowanie oraz dalsza analiza bez operacji wstępnego przetworzenia są trudne i nie zawsze przynoszą pożądane efekty. W wielu pracach sygnał mowy przedstawiany jest w postaci wideogramów, będących wykresami czasowo - częstotliwościowymi, jednakże analiza tych obrazów nie jest łatwa ze względu na ich trudną interpretacje. W pracy niniejszej zaproponowano wykorzystanie sieci neuronowej Kohonena do generacji obrazów sygnałów mowy patologicznej, występującej u dzieci z rozszczepem podniebienia. Opisano sposób przekształcenia sygnału mowy do postaci macierzy widm chwilowych, stanowiącej zbiór danych wejściowych dla układu sieci neuronowej Kohonena. Następnie omówiono metodę generacji obrazu przez sieć neuronową oraz zaprezentowano metodę identyfikacji mowy patologicznej na podstawie otrzymanych obrazów, opierającą się na pomiarze całkowitej długości linii łaczącej zwycięskie neurony. Otrzymane dla poszczególnych głosek rezultaty pomiarów długości linii zobrazowano w postaci wykresów.
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 discussed. In addition, a method for pathological speech signal recognition was proposed. Test results based on utterances obtained from children with a cleft palate were also presented.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.