350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №2 за 2011 г.
Статья в номере:
Настройка параметров ИНС РБФ на данных с полностью случайными информационными пропусками
Авторы:
В. В. Аюев - к. т. н., доцент кафедры ФН1-КФ Калужского филиала МГТУ им. Н. Э. Баумана. E-mail: Vadim.Ayuyev@gmail.com Зо Е Аунг - аспирант кафедры ФН1-КФ Калужского филиала МГТУ им. Н.Э.Баумана. E-mail: hninmg18@gmail.com
Аннотация:
Разработана модель, интегрирующая метод восстановления пропусков данных на базе алгоритма статической кластеризации в сеть РБФ. Полученная нейроархитектура позволяет обучать нейронную сеть на неполных данных, подбирать оптимальное количество базисных функций и устанавливать их центры. Эффективность модели подтверждена серией экспериментов с открытыми БД, содержащими разный объем полностью случайных пропусков данных.
Страницы: 30-37
Список источников
  1. Buhmann, M. D., Radial Basis Functions: Theory and Implementations. Cambridge: Cambridge University Press, 2003.
  2. Gan, G., Ma, C., and Wu, J., Data Clustering: Theory, Algorithms, and Applications / ASA-SIAM Series on Statistics and Applied Probability. Philadelphia: SIAMPress. 2007.
  3. Хайкин С. Нейронные сети: полный курс, 2-е изд.: Пер. с англ. М.: Вильямс. 2006.
  4. Тархов Д. А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника. 2005.
  5. Marwala, T., Computational Intelligence for Missing Data Imputation, Estimation, and Management: Knowledge Optimization Techniques. N. Y.: Hershey. 2009.
  6. Little, R. J. A. and Rubin, D. B., Statistical Analysis with Missing Data. 2-nd edition. N. Y.: JohnWileyandSons. 2002.
  7. Аюев В. В., Тура А., Лайн Н. Н., Логинова М. Б. Метод быстрой динамической кластеризации неоднородных данных // Системы управления и информационные технологии. 2008. № 3(33). С. 26-29.
  8. Ayuyev, V. V., Jupin, J., Harris, P. W., and Obradovic, Z., Dynamic Clustering-Based Estimation of Missing Values in Mixed Type Data // Proc. 11-th Int. Conf. on Data Warehousing and Knowledge Discovery (Linz, Austria). 2009. P. 366-377.
  9. Аюев В. В., Карпухин П. А. Кластерный метод подбора параметров и обучения на неполных данных ИНС Хехт-Нильсона // Информатика и системы управления. 2009. № 1(19). С. 91-103.
  10. Аюев В. В., Аунг З. Е., Тейн Ч. М., Логинова М. Б.Кластерныйметод восстановления пропусков данных для обучения ИНС // Нейрокомпьютеры: разработка, применение. 2009. № 7. С. 23-34.
  11. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы: построение и анализ. 2-е изд. М.: Вильямс. 2005.
  12. I-Cheng, Y., Analysis of strength of concrete using design of experiments and neural networks // Journal of Materials in Civil Engineering. 2006. V. 18. No. 4. P. 597-604.
  13. Uysal, I. and Guvenir, H. A., Instance-Based Regression by Partitioning Feature Projections // Applied Intelligence. 2004. V. 21. No. 1. P. 57-79.
  14. Schafer, J. L., Multiple imputation: a primer // Statistical Methods in Medical Research. 1999. V. 8, No. 1. P. 3-15.
  15. Landerman, L. R., Land, K. C., and Pieper, C. F., An Empirical Evaluation of the Predictive Mean Matching Method for Imputing Missing Values // Sociological Methods & Research. 1997. V. 26, No. 1. P. 3-33.
  16. Gelman, A. and Hill, J., Data Analysis Using Regression and Multilevel / Hierarchical Models. Cambridge: Cambridge University Press. 2007.
  17. Witten, I. H. and Frank, E., Data Mining: Practical machine learning tools and techniques. 2-nd Edition. San Francisco: Morgan Kaufmann. 2005.
  18. Oudshoorn, C. G. M., Buuren, V. S., and Rijckevorsel, V., Flexible Multiple Imputation by Chained Equations of the AVO-95 Survey // In TNO Prevention and Health. Report PG/VGZ/99.045. 1999.
  19. Honaker, J. and King, G., What to do About Missing Values in Time Series Cross-Section Data // American Journal of Political Science. 2010. V. 54. No. 2. P. 561-581.
  20. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB6. М.: Диалог-МИФИ. 2002.