350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №7 за 2011 г.
Статья в номере:
Двухуровневый метод кластеризации на основе эрозии в обучении сетей РБФ на неполных данных
Ключевые слова: эрозия плотностная кластеризация восстановление пропусков данных нейронная сеть РБФ минимальное покрывающее дерево
Авторы:
В.В. Аюев - к.т.н., доцент, кафедра ФН1-КФ, Калужский филиал МГТУ им. Н.Э.Баумана. E-mail: Vadim.Ayuyev@gmail.com
Аннотация:
Описан метод кластеризации на базе операции эрозии и его применение для обучения искусственных нейронных сетей РБФ на данных, содержащих пропуски информации. Полученная в работе гибридная нейроархитектура отличается высокой скоростью обучения, необходимостью установки единственного параметра и автоматизацией подбора числа радиальных функций.
Страницы: 10-19
Список источников
  1. Buhmann M.D. Radial Basis Functions: Theory and Implementations. Cambridge: Cambridge University Press. 2003. 271 p.
  2. Steinbach P.N., Kumar M., Tan V. Introduction to Data Mining. International Edition. NY.: AddisonWesley. 2006. 769 p.
  3. Хайкин С. Нейронные сети: полный курс, 2-е изд.: Пер. с англ. М.: Вильямс. 2006. 1104 c.
  4. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника. 2005. 256 с.
  5. 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.
  6. Овсиенко О.С.Гибридная модель кластеризации в сети РБФ // Тр. рег. конф. «Наукоемкие технологии в приборо- и машиностроении». Калуга. 2010. Т. 1. С. 236-240.
  7. Аунг З.Е., Аюев В.В. Нейронная сеть РБФ на основе аттракторной кластеризации // Системы управления и информационные технологии. 2010. № 4(42). С. 4-8.
  8. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы: построение и анализ. 2-еизд. // М.: Вильямс. 2005. 1296 с.
  9. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. 2-nd edition. N.Y.: John Wiley and Sons. 2002. 408 p.
  10. Jiang Y., Zhou Z.H. Editing Training Data for kNN Classifiers with Neural Network Ensemble // Proc. of the 1-st International Symposium on Neural Networks. Dalian. 2004. P. 356-361.
  11. Bay S.D. Nearest neighbor classification from multiple feature subsets // Intelligent Data Analysis. 1999. V. 3. № 3. P. 191-209.
  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. № 4. P. 597-604.
  13. Schafer J.L. Multiple imputation: a primer // Statistical Methods in Medical Research. 1999. V. 8. № 1. P. 3-15.
  14. Witten I.H., Frank E. Data Mining: Practical machine learning tools and techniques, 3-rd Edition. San Francisco. Morgan Kaufmann. 2011. 629 p.
  15. Honaker J., King G. What to do About Missing Values in Time Series Cross-Section Data // American Journal of Political Science. 2010. V. 54. № 2. P. 561-581.
  16. МедведевВ.С., ПотемкинВ.Г. Нейронныесети. MATLAB 6. М.: Диалог-МИФИ. 2002. 496 с.
  17. Айвазян С.А., Мхитарян В.С. Прикладная статистика. Основы эконометрики. Москва: Юнити-Дана. 2001. 656 с.
  18. Kolte M.T., Chaudhari D.S., Chopade N.B. Confusion matrix and information transmission analysis using Matlab for evaluation of speech analysis // International Journal of Mathematical Science and Engineering Applications. 2008. V. 2. № 3. P. 243-250.