Please use this identifier to cite or link to this item: http://ena.lp.edu.ua:8080/handle/ntb/54114
Title: Кластеризація даних нейромережею АDD
Authors: Годич, О. В.
Affiliation: Львівський національний університет ім. Івана Франка
Bibliographic description (Ukraine): Годич О. В. Кластеризація даних нейромережею АDD / О. В. Годич // Вісник Національного університету “Львівська політехніка”. Інформаційні системи та мережі. — Львів : Видавництво Національного університету “Львівська політехніка”, 2005. — № 549. — С. 54–68.
Bibliographic description (International): Hodich O. V. Klasteryzatsiia danykh neiromerezheiu ADD / O. V. Hodich // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Natsionalnoho universytetu "Lvivska politekhnika", 2005. — No 549. — P. 54–68.
Is part of: Вісник Національного університету “Львівська політехніка”. Інформаційні системи та мережі, 549, 2005
Journal/Collection: Вісник Національного університету “Львівська політехніка”. Інформаційні системи та мережі
Issue: 549
Issue Date: 1-Mar-2005
Publisher: Видавництво Національного університету “Львівська політехніка”
Place of the edition/event: Львів
Lviv
UDC: 519.7
Number of pages: 15
Page range: 54-68
Start page: 54
End page: 68
Abstract: Запропоновано нову топологію штучної нейромережі та метод її навчання під назвою ADD. Нейромережа ADD разом зі спеціально розробленим для неї методом навчання мас подолати недоліки, притаманні для штучних нейромереж, які базуються на топології SOM. Особливість запропонованої топології нейромережі полягає у поданні чітко окресленої гіперкубічної області у вхідному просторі, дані з якої розпізнаються мета-нейроном.
In the paper that is presented, a new neural network topology is proposed and a new learning method which utilises the distinct features of the proposed neural network is considered. The main virtue of the proposed neural network is the ability to represent a hypercubic area in the input space which defines the boundaries of the data represented by the meta-neuron.
URI: http://ena.lp.edu.ua:8080/handle/ntb/54114
Copyright owner: © Національний університет “Львівська політехніка”, 2005
© Годич О. В., 2005
References (Ukraine): 1. Kriventseva Е., Biswas М., Apweiler R. Clustering and analysis of protein families. Current Opinion in Structural Biology, 11, pp. 334 - 339, 2001.
2. Linial M., Linial N., Tishby J., Golan Y. Global self-organization of all known protein sequences reveals inherent biological structures. Journal of Molecular Biology, 268, pp. 539556, 1997.
3. Miam I., Dubchak 1. Representing and reasoning about protein families using generative and discriminative methods. Journal of Computational Biology, 7(6), pp. 849 - 862, 2000
4. Kohonen T. Self-organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43, pp. 59-69, 1982.
5. Haykin S. Neural Networks: A comprehensive foundation, Prentice-Hall, New Jersey, 1999.
6. Si J., Lin S., Vuong M.-A. Dynamic topology representing network, Neural Networks Vol 13, pp. 617-627, 2000.
7. Fritzke B. Growing cell structure - a self-organising network for unsupervised and supervised learning, Neural Networks, Vol. 7 (9), pp. 1441-1460, 1995
8. Blackmore, J., Visualizing high-dimensional structure with the incremental grid growing neural network. Thesis, 1995, www.cs.utexas.edu/users/nn/downloads/papers/blackmore.thesis.pdf
9. Bauer H., Villman T. Growing a hypercubical output space in a self-organizing feature map. IEEE Transactions on Neural Networks, 8, pp. 218-226, 1997.
10. Годич О. Навчання SOM методом нейронної міграції// Вісник НУ “Львівська політехніка". - 2004. - № 519. - С. 55-72.
11. Hansen Е., Walster G. Global optimization using interval analysis, Second Edition, Martkel Dekkel, Inc. New York, 2004.
12. Osowski S. Sieci Neuronowe w ujeciu algorytmicznym. V/ydawnictwo Naukowo-Techniczne, Warszawa, 1996.
References (International): 1. Kriventseva E., Biswas M., Apweiler R. Clustering and analysis of protein families. Current Opinion in Structural Biology, 11, pp. 334 - 339, 2001.
2. Linial M., Linial N., Tishby J., Golan Y. Global self-organization of all known protein sequences reveals inherent biological structures. Journal of Molecular Biology, 268, pp. 539556, 1997.
3. Miam I., Dubchak 1. Representing and reasoning about protein families using generative and discriminative methods. Journal of Computational Biology, 7(6), pp. 849 - 862, 2000
4. Kohonen T. Self-organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43, pp. 59-69, 1982.
5. Haykin S. Neural Networks: A comprehensive foundation, Prentice-Hall, New Jersey, 1999.
6. Si J., Lin S., Vuong M.-A. Dynamic topology representing network, Neural Networks Vol 13, pp. 617-627, 2000.
7. Fritzke B. Growing cell structure - a self-organising network for unsupervised and supervised learning, Neural Networks, Vol. 7 (9), pp. 1441-1460, 1995
8. Blackmore, J., Visualizing high-dimensional structure with the incremental grid growing neural network. Thesis, 1995, www.cs.utexas.edu/users/nn/downloads/papers/blackmore.thesis.pdf
9. Bauer H., Villman T. Growing a hypercubical output space in a self-organizing feature map. IEEE Transactions on Neural Networks, 8, pp. 218-226, 1997.
10. Hodych O. Navchannia SOM metodom neironnoi mihratsii// Visnyk NU "Lvivska politekhnika", 2004, No 519, P. 55-72.
11. Hansen E., Walster G. Global optimization using interval analysis, Second Edition, Martkel Dekkel, Inc. New York, 2004.
12. Osowski S. Sieci Neuronowe w ujeciu algorytmicznym. V/ydawnictwo Naukowo-Techniczne, Warszawa, 1996.
Content type: Article
Appears in Collections:Комп'ютерні системи та мережі. – 2005. – № 549



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.