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

Application of the kohonen neural network in analysis of the measurement results of the polarization mode dispersion

Torbus S., Kolasa M., Długosz R.

Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

|

2010

|

z. 13

55--66

EN

This paper presents a subject of the Polarization Mode Dispersion (PMD). PMD is characteristic for a single mode optical fiber transmission. Several aspects have been presented in the paper, such as the interferometric method for measuring the PMD, as well as the statistical analysis of the measurement results contrasted with the analysis of the same results by use of the Kohonen neural network (KNN).

PL

W pracy omówiono zagadnienie dyspersji polaryzacyjnej – PMD (ang. Polarization Mode Dispersion), która jest charakterystyczna dla transmisji z wykorzystaniem jednomodowego włókna światłowodowego. Przedstawiono również interferometryczną metodę pomiaru współczynnika dyspersji polaryzacyjnej, statystyczną analizę rzeczywistych wyników pomiaru oraz analizę tych samych wyników pomiaru za pomocą sieci neuronowej Kohonena.

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

Od Bertina i Hotellinga do Zadeha i Kohonena, czyli o zastosowaniu sztucznych sieci neuronowych w kartografii tematycznej

Kępińska M., Olszewski R.

Polski Przegląd Kartograficzny

|

2002

|

T. 34, nr 2

103-114

PL

W artykule omówiono wybrane współczesne metody klasyfikowania danych oraz pokazano możliwość ich wykorzystania w kartografii. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych Kohonena jako narzędzia nienadzorowanej klasyfikacji danych przestrzennych.

EN

The article discusses selected contemporary methods of multi-feature data and shows their possible applications in cartography. Graphic information processing described by J. Bertin and principal components analysis created by H. Hotelling, which enables the transfer of results from n-dimensional space to three-, two-, and even one-dimensional space, are examples of non-standard classification in cartography. An examples of spatial data classification using L.A. Zadeh's theory of fuzzy sets is presented. In this classification particuler objects belong to different classes, with various levels of subordination. The article draws special attention to possibility of using neural networks (NN) as a tool for unsupervised classification of spatial data. NN using systems are widely applied in branches of knowledge, which research prediction and classification. From the point of view of source data classification, it is interesting to use NN prepared by unsupervised learning. A so called Kohonen's network is an example of such structure. During the learning process this network does not receive feedback on the correctness of particular answers. Not knowing the expected output information, the network selflearns to recognize data structure. The outer surface of the network creates a, so called, Kohonen topological map, which projects the relations of similarity between the features of analyzed objects into one- or two-dimensional space. The article presents two examples of practical applications of Kohonen's network in classification of multi-feature spatial data. Presented multi-feature data classification methods, despite high differentiation of algorithms, show similar approach to the discussed problem. Self-learning of Kohonen's network, like permutation method, consists in revealing the structure of source data. Application of neural networks, similarly to the method of principal components, allows to reduce the dimension of the space of attributes. In neural networks, as in the classification method basing on theory of fuzzy sets, the final interpretation should be preceded by an estimation of the level of activation of particular neurons. Application of one-dimensional out surface of Kohonen's net-work makes it possible to directly present the classification results on a thematic map, which is optimal from a cartographic point of view.

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.