Індуктивні методи та алгоритми самоорганізації моделей даних на основі карт Кохонена - Автореферат

Dunham) поняття видобування даних повязують із набором підходів та інструментів для пошуку прихованої інформації у даних. Вважається, що на теперішній час рівень розвитку теорії видобування даних є на рівні розвитку засобів побудови запитів до баз даних початку 1970-х років (M. Ця дисертація присвячена методам дослідницького аналізу даних і побудові описових моделей даних із використанням процесів самоорганізації, які базуються на теорії карт Кохонена. уперше розроблено метод ``нейронної міґрації"" навчання карт Кохонена шляхом побудови відношення часткового порядку між елементами топологічних сусідств та відповідного переміщення елементів карти впродовж навчання, що забезпечило підвищення якості моделювання топології даних та успішності класифікації за тих самих умов та вибору параметрів, що й у методі Кохонена; У роботах, опублікованих у співавторстві, здобувачеві належить: дослідження та застосування нейромереж прямого поширення [11, 14, 15, 18, 24, 26]; розроблення підходу до моделювання даних із використанням карт Кохонена та побудова класифікатора [10, 25]; дослідження теоретичних засад функціонування карт Кохонена [16]; запропонування та реалізація моделі синтезу нейромереж прямого поширення та карт Кохонена [9]; розроблення та обґрунтування теоретичних засад функціонування динамічно-інтервальної самоорганізовної карти, розроблення навчального алгоритму [12, 21]; обґрунтування теоретичних засад функціонування методу “нейронної міґрації” [13]; схема дослідження впливу параметрів процесу самоорганізації на якість адаптації карт Кохонена, здійснення чисельних розрахунків i порівняльного аналізу, розроблення класифікатора даних [2]; розроблення методу визначення кластерних меж на адаптованій карті Кохонена, розроблення алгоритму візуалізації кластерної структури даних, дослідження підходів до візуалізації даних на карті Кохонена [5, 19, 20, 22]; розроблення підходу до аналізу структури даних на основі карт Кохонена [3]; розроблення методу кластеризації зображень за допомогою карт Кохонена, дослідження впливу вибору кольорових просторів при формуванні вхідних даних на якість сеґментації [6, 4, 17, 23, 27]; розроблення індуктивних методів i алгоритмів аналізу структурованих даних та динамічної сеґментації зображень на основі карт Кохонена [1].Пара - алгебра, яка визначає мову маніпулювання даними, а пара - модель або реляційна система, яка визначає мову опису моделі даних (Л.А. Зроблено висновок: застосування технологій аналізу даних на основі теорії карт Кохонена є актуальною задачею; існує необхідність розвитку методів та алгоритмів самоорганізації моделей даних та вдосконалення методів візуалізації даних високої розмірності з використанням карт Кохонена; існує потреба побудови алгоритмів навчання карт для виконання у багатопроцесорних обчислювальних середовищах для їхнього масштабування. Переможцем для вхідного вектора називають елемент , для якого виконується умова , де - ваговий вектор елемента із того ж простору, що й вхідні дані, - метрика вхідного простору . Практичне використання карт Кохонена вказує на такі недоліки: статична, наперед визначена структура нейронної ґратки призводить до неадекватної апроксимації даних за умови невдалого вибору кількості елементів та топології; відображення забезпечує ``точкову"" апроксимацію даних, що ускладнює виявлення хибної класифікації; неможливість донавчання карт Кохонена - у практичних задачах виникає потреба уточнення моделі даних, що у випадку карт Кохонена призводить до повної перебудови відображення . Елементи ДІСК характеризуються трійкою величин : - інтервальний ваговий вектор, що визначає гіперкубічну область вхідного простору, за моделювання даних якої відповідає елемент; - вектор, компонентами якого є множини, відповідні інтервальним компонентам вектора , що є одним із трактувань числового інтервалу (E.

Основний зміст роботи

1. Годич О. Українська жестова мова: компютерно-лінгвістичний аспект: Монографія / О. Годич, М. Давидов, Ю. Нікольський, В. Пасічник, Ю. Щербина. - Львів: “Літературна агенція “Піраміда”, 2009. - 253 с.

2. Годыч О. Исследование эффективности алгоритмов обучения нейросетей Кохонена / О. Годыч, В. Пасичник, Ю. Никольский, Ю. Щербина // Управляющие системы и машины. - 2006. - № 2. - С. 63-80.

3. Годич О. Аналіз структури медичних даних із застосуванням мереж Кохонена / О. Годич, Ю. Нікольський, В. Пасічник, Ю. Щербина // International Journal of Computing. - 2007. - Т. 6, № 3. - С. 124-136.

4. Hodych O. SOM-based dynamic image segmentation for sign language training simulator / O. Hodych, K. Hushchyn, I. Nikolski, V. Pasichnyk, Y. Shcherbyna // Information Systems: Modeling, Development, and Integration / Ed. by W. van der Aalst, J. Mylopoulos, N. M. Sadeh, M. J. Shaw, C. Szyperski. - Berlin: Springer Berlin Heidelberg, 2009. - Vol. 20 of Lecture Notes in Business Information Processing. - P. 29-40.

5. Hodych O. Determining cluster boundaries within Self-Organizing Maps / O. Hodych, I. Nikolski, V. Pasichnyk, Y. Shcherbyna // Вісник Національного технічного ун-ту “Харківський політехнічний інститут”. - 2007. - № 5. - С. 97-109.

6. Годыч О. Динамическая сегментация изображений для учебного симулятора языка жестов / О. Годыч, К. Гущин, Ю. Никольский, В. Пасичник, Ю. Щербина // Управляющие системы и машины. - 2009. - № 1. - С. 79-85.

7. Годич О. Навчання SOM методом нейронної міграції / О. Годич // Вісник Національного ун-ту “Львівська політехніка”, Інформаційні системи та мережі. - 2004. - № 519. - С. 55-72.

8. Годич О. Кластеризація даних нейромережею ADD / О. Годич // Вісник Національного ун-ту “Львівська політехніка”, Інформаційні системи та мережі. - 2005. - № 549. - С. 54-68.

9. Hodych O. Synthesis of self-organizing map and feedforward neural network for better forecasting / O. Hodych, Y. Shcherbyna, M. Zylan // International Journal of Computing. - 2004. - Vol. 3, no. 3. - P. 68-75.

10. Годич О. Застосування штучної нейронної мережі типу SOM для розвязування задачі діагностування / О. Годич, Ю. Нікольський, Ю. Щербина // Вісник Національного ун-ту “Львівська політехніка”, Інформаційні системи та мережі. - 2002. - № 464. - С. 31-43.

11. Щербина Ю. Методи навчання штучної нейронної мережі / Ю. Щербина, О. Годич // Вісник Національного ун-ту “Львівська політехніка”, Інформаційні системи та мережі. - 2001. - № 438. - С. 160-170.

12. Годич О. Динамічна нейромережа ADD / О. Годич, Ю. Щербина // Вісник Львівського національного ун-ту ім. I.Франка, серія “Прикладна мат. та інформ.”. - 2005. - № 10. - С. 161-183.

13. Годич О. Метод нейронної міграції для навчання нейромереж типу SOM / О. Годич, Ю. М. Щербина // Вісник Львівського національного ун-ту ім. I.Франка, серія “Прикладна мат. та інформ.”. - 2006. - № 11. - С. 203-209.

14. Годич О. Застосування штучних нейронних мереж для прогнозування курсу акцій / О. Годич, Б. Голуб, Ю. Щербина // Вісник Львівського національного ун-ту ім. I.Франка, серія “Прикладна мат. та інформ.”. - 2002. - № 4. - С. 152-168.

15. Годич О. Застосування штучних нейронних мереж до розвязування задач про найменші квадрати / О. Годич, Ю. Щербина // Вісник Львівського національного ун-ту ім. I.Франка, серія “Прикладна мат. та інформ.”. - 2003. - № 6. - С. 182-190.

16. Годич О. Самоорганізація нейромереж та класифікація даних / О. Годич, Ю. Щербина // Вісник Львівського національного ун-ту ім. I.Франка, серія “Прикладна мат. та інформ.”. - 2003. - № 7. - С. 234-247.

17. Hodych O. The dynamic image segmentation for sign language training simulator / O. Hodych, K. Hushchyn, I. Nikolski, V. Pasichnyk, Y. Shcherbyna // 2nd International Conference on Inductive Modelling, Kyiv, Ukraine, September 15 - 19, 2008: Proceedings. - Kyiv, 2008. - P. 202-206.

18. Нікольський Ю. Застосування штучних нейронних мереж для розвязування задач прогнозування часових послідовностей / Ю. Нікольський, О. Годич, Ю. Щербина // Праці Міжнародної конференції з індуктивного моделювання (ICIM-2002). - Львів, 2002. - С. 144-149.

19. Hodych O. High-dimensional data structure analysis using Self-Organising Maps / O. Hodych, I. Nikolski, V. Pasichnyk, Y. Shcherbyna // Proceedings of 9th International Conference on CAD Systems in Microelectronics (CADSM 2007). - Lviv-Polyana, 2007. - P. 218-221.

20. Годыч О. Применение нейросетей Кохонена для выявления и визуализации скрытых структур в данных высокой размерности / О. Годыч, Ю. Никольский, В. Пасичник, Ю. Щербина // Тез. докл. VII междунар. конф. “Интеллектуальный анализ информации-2007” (IAI-2007). - Киев, 2007. - С. 45-55.

21. Годич О. Динамічна нейромережа ADD / О. Годич, Ю. Щербина // Тез. доп. XII Всеукр. наук. конф. “Сучасні проблеми прикл. матем. Та інформ.”. - Львів, 2005. - С. 65-66.

22. Годич О. Визначення кластерних меж у SOM / О. Годич, Ю. Щербина // Тез. доп. XIII Всеукр. наук. конф. “Сучасні проблеми прикл. матем. та інформ.”. - Львів, 2006. - С. 42.

23. Годич О. Динамічна сегментація зображень на основі SOM / О. Годич, К. Гущин, Ю. Щербина // Тез. доп. XIV Всеукр. наук. конф. “Сучасні проблеми прикл. матем. та інформ.”. - Львів, 2007. - С. 49-50.

24. Годич О. Застосування штучної нейромережі до розвязування нелінійних задач про найменші квадрати / О. Годич, Ю. Щербина // Тез. доп. IX Всеукр. наук. конф. “Сучасні проблеми прикл. матем. та інформ.”. - Львів, 2002. - С. 32-33.

25. Годич О. Модифікація геометричної структури нейронних мереж типу SOM / О. Годич, Ю. Щербина // Тез. доп. X Всеукр. наук. конф. “Сучасні проблеми прикл. матем. та інформ.”. - Львів, 2003. - С. 45-46.

26. Годич О. Застосування нейромереж в комбінаторних оптимізацій них задачах / О. Годич, Ю. Щербина // Тез. доп. XI Всеукр. наук. конф. “Сучасні проблеми прикл. матем. та інформ.”. - Львів, 2004. - С. 46-47.

27. Годич О. Динамічна сегментація зображень на основі самоорганізаційних карт Кохонена / О. Годич, Ю. Щербина // Збірник матеріалів IV міжвузівської науково-технічної конференції науково-педагогічних працівників “Проблеми та перспективи розвитку економіки i підприємства та компютерних технологій в Україні”. - Львів, 2009. - С. 42-43.