350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №7 за 2015 г.
Статья в номере:
SYNC-SOM: метод кластеризации, основанный на модифицированной модели Курамото и самоорганизующейся карте
Ключевые слова: кластерный анализ модель Курамото самоорганизующиеся карты осцилляторные нейронные сети
Авторы:
А.В. Новиков - аспирант, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет E-mail: spb.andr@yandex.ru Е.Н. Бендерская - к.т.н., доцент, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет E-mail: helen.bend@gmail.com
Аннотация:
Представлены результаты исследования процессов сходимости в осцилляторных сетях на базе модели Курамото; предложена двухслойная осцилляторная сеть SYNC-SOM, позволяющая обеспечить более быстрое решение задачи и избавится от радиуса связности. Приведены результаты экспериментального исследования, демонстрирующие преимущества осцилляторного метода по отношению к классическим алгоритмам.
Страницы: 67-75
Список источников

 

  1. Anil K., Dubes J.C., Dubes R.C. Algorithm for Clustering Data / Prentice Hall, Englewood Cliffs, New Jersey. 1998. P. 304.
  2. Basar E. Brain function and oscillations / Springer-Verlag New York. 1998. P. 363.
  3. Bohm C., Plant C., Shao J., Yang Q. Clustering by synchronization // KDD - 10 Proceedings of the 16th ACM SIGKDD international conference of Knowledge discovery and data mining, 2010. P. 583-592.
  4. Ester M., Kriegel H., Sander J., Xu. X. A Density Based Algorithm for Discovering Clusters in Large Spatial Data Sets with Noise // Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. 1996. P. 226-231.
  5. Guha S., Rastogi R., Shim K. ROCK: A Robust Clustering Algorithm for Categorical Attributes // Proceedings of the 15th International Conference on Data Engineering. 1999. P. 512-521.
  6. Haken E. Brain Dynamics / Springer-Verlag Berlin Neidelberg. 2007. P. 238.
  7. Haykin S. Neural networks: A comprehensive foundation / Macmillan College Publishing Company New York, 2nd edition. 1999. P. 842.
  8. Kohonen T. Self-Organizing Maps / Springer-Verlag Berlin, 3rd edition. 2001. P. 501.
  9. Kuramoto Y. Chemical Oscillations Waves, and Turbulence / Springer-Verlag Berlin Neidelberg New York Tokyo. 1984. P. 157.
  10. MacQueen J.B. Some Methods for Classification and Analysis of Multivariate Observations // Proceedings of the 5th Berkley Symposium Math. Statistics and Probability. 1967. V. 1. P. 281-297.
  11. Miyano T., Tsutsui T. Data Synchronization as a Method of Data Mining // International Symposium on Nonlinear Theory and its Applications. 2007.
  12. Novikov A.V., Benderskaya E.N.The Oscillatory Neural Networks Based on Kuramoto Model for Cluster Analysis // Proceedings of the 11th International Conference \"Pattern Recognition and Image Analysis: New Information Technologies\". 2013. V. 1. P. 106-109.
  13. Novikov A.V., Benderskaya E.N.SYNC-SOM Double-layer Oscillatory Network for Cluster Analysis // 3rd International Conference on Pattern Recognition Applications and Methods, Proceedings, ESEO, Angers, Loire Valley. France. 6-8 March. 2014. P. 305-309.
  14. Sudipto G., Rajeev R., Kyuseok S. CURE: An Efficient Clustering Algorithm for Large Databases // Proceedings of the SIGMOD\'98. 1998. P. 73-84.
  15. Ultsch A. Clustering with SOM: U*C // Workshop on Self Organizing Feature Maps. 2005. P. 31-37.
  16. Новиков А.В., Бендерская Е.Н. Решение задач кластерного анализа на основе осцилляторных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2013. № 12. С. 31-36.
  17. Новиков А.В., Бендерская Е.Н. Нейросетевые методы решения задач кластерного анализа // Нейрокомпьютеры: разработка, применение. 2014. № 2. С. 48-53.