Wyniki wyszukiwania - BazTech

1

Sprzętowa implementacja samoorganizującej się, sztucznej sieci neuronowej typu Neural Gas w systemach klasyfikacji danych

Szulc C., Talaśka T., Miciak M.

Logistyka

|

2016

|

nr 1

412--417, CD1

PL

W artykule przedstawiono implementację sieci neuronowej typu Neural Gas na platformie Arduino Uno z procesorem ATmega328P. W pracy przedstawiono pewne modyfikacje procesu uczenia sieci, które wykazują zalety w kontekście realizacji sprzętowej. Dzięki zastosowanym modyfikacjom uzyskano nawet 10-krotne zwiększenie prędkości przetwarzania danych uczących.

EN

The paper presents the implementation of a artificial neural network (based on Neural Gas Algorithm) on Arduino Uno platform with ATmega328P processor. The paper presents some modifications of the learning process that are important for hardware implementation. Thanks, the proposed modifications, we can increase learning datas processing speed, up to 10 times.

2

Building the library of RNA 3D nucleotide conformations using the clustering approach

Zok T., Antczak M., Riedel M., Nebel D., Villmann T., Lukasiak P., Blazewicz J., Szachniuk M.

International Journal of Applied Mathematics and Computer Science

|

2015

|

Vol. 25, no. 3

689--700

EN

An increasing number of known RNA 3D structures contributes to the recognition of various RNA families and identification of their features. These tasks are based on an analysis of RNA conformations conducted at different levels of detail. On the other hand, the knowledge of native nucleotide conformations is crucial for structure prediction and understanding of RNA folding. However, this knowledge is stored in structural databases in a rather distributed form. Therefore, only automated methods for sampling the space of RNA structures can reveal plausible conformational representatives useful for further analysis. Here, we present a machine learning-based approach to inspect the dataset of RNA three-dimensional structures and to create a library of nucleotide conformers. A median neural gas algorithm is applied to cluster nucleotide structures upon their trigonometric description. The clustering procedure is two-stage: (i) backbone- and (ii) ribose-driven. We show the resulting library that contains RNA nucleotide representatives over the entire data, and we evaluate its quality by computing normal distribution measures and average RMSD between data points as well as the prototype within each cluster.

3

Przetwarzanie wielowymiarowych danych medycznych z zastosowaniem rosnącego gazu neuronowego

Gruber-Szydło K., Gruber J., Szynkaruk M.

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska

|

2012

|

z. 63a

337--351

PL

W artykule omówiono możliwości usprawnienia przetwarzania danych medycznych i zwiększenia wydajności tego procesu przez wprowadzenie początkowego etapu eksploracji danych z wykorzystaniem rosnącego gazu neuronowego GNG (ang. Growing Neural Gas). Przetwarzanie danych medycznych charakteryzuje się dużą złożonością i występującymi w nim trudnościami, ponieważ analizowane dane są wielowymiarowe i dotyczą dopiero poznawanych zależności i zjawisk. W pracy wskazano, dlaczego rosnący gaz neuronowy pozwala osiągać lepsze rezultaty niż inne popularne sztuczne sieci neuronowe uczone metodą nienadzorowaną.

EN

Increasing economies of medical data analysis process by entering the initialphase of exploration data using the growing neural gas (GNG), has been discussed in this article. The processing of medical data is characterized by high complexity and difficulties occurring in the analyzed data as multidimensional and concern only cognized relationships and phenomena. It was pointed out why the growing neural gas achieves better results than other popular artificial neural network learned by unattended.

4

A comparison of the neural gas and self organizing map methods for next day load curve forecasting

Dudek G.

Przegląd Elektrotechniczny

|

2009

|

R. 85, nr 3

153-156

EN

Both the neural gas and self organizing map clustering methods are used in the short-term load forecasting. Two approaches, based on the similarity of the load sequence patterns, are presented in the paper. Patterns preceding the forecast moment and the patterns of forecast, which are concatenated and then divided into clusters, are used in the first model. The empirical probabilities, that the forecast pattern is associated to cluster j while the corresponding input pattern is associated to cluster i, are computed and applied to the forecast construction in the second approach.

PL

Gaz neuronowy i samoorganizujące się odwzorowanie jako metod grupowania użyto do krótkoterminowego prognozowania obciążeń elektroenergetycznych. Zaprezentowano dwa podejścia oparte na podobieństwie obrazów sekwencji obciążeń. Pierwszy model używa obrazów poprzedzających moment prognozy i obrazów prognoz, które są połączone i pogrupowane. W drugim podejściu obliczane są empiryczne prawdopodobieństwa, że obraz prognozy należy do grupy j gdy skojarzony z nim obraz wejściowy należy do grupy i. Prawdopodobieństwa te wykorzystuje się do konstrukcji prognozy.