Комп'ютерні науки та інформаційні технології
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/2091
Browse
Item Adaptive fuzzy clustering for data with missing values based on the nearest prototype - centroid strategy(Видавництво Львівської політехніки, 2013) Bodyanskiy, Ye.; Shafronenko, A.Розглянуто задачу кластеризації масивів векторних даних, що мають пропущені значення у деяких компонентах. Запропоновано адаптивний підхід до кластеризації таких даних за умов, коли класи перетинаються. В основі підходу є використання модифікованої мапи Кохонена із функцією суcідства спецiального вигляду. The problem of clustering vector data sets with missing values in some components is considered. The adaptive approach to clustering of data in situation then classes overlap is proposed. The basis of the approach is the using of the modified Kohonen maps with the neighborhood function of special kind.Item Heterogeneous spiking neural network in clustering problem(Видавництво Національного університету "Львівська політехніка", 2007) Dolotov, A.; Bodyanskiy, Ye.; Viktorov, Yе.Розглянуто гетерогенну спайк-нейронну мережу з рецепторними та радіально- базисними нейронами в задачі кластеризації. Запропоновано адаптивний алгоритм навчання на основі правила Гебба. Наведені результати експерименту, що були отримані під час обробки супутникового зображення. Heterogeneous spiking neural network with receptive and radial-basis function neurons in clustering problem is considered. Adaptive learning algorithm based on the Hebbian rule is proposed. Results achieved in experiment on satellite image processing are presented.Item Self-organizing map and its learning in the fuzzy clustering-classification tasks(Видавництво Львівської політехніки, 2014) Bodyanskiy, Ye.; Vynokurova, O.; Mulesa, P.; Slipchenko, O.Запропоновано комбінований метод самонавчання-навчання самоорганізовної мапи (SOM-LVQ), що дає змогу підвищити якість обробки інформації за умов класів, що перетинаються внаслідок раціонального вибору параметра кроку навчання і введення спеціальної процедури нечіткого виведення в процесі класифікації-кластеризації, який проходить як з зовнішнім навчальним сигналом, так і без нього. Як міру подібності функцій сусідства і належності використовуються косинусоїдальні конструкції, що дають змогу забезпечити процесам самонавчання-навчання більшу гнучкість і надати їм низку нових корисних властивостей. In the paper, combined self-learning and learning method of self-organizing map (SOMLVQ) is proposed. Such method allows to increase quality of information processing under condition of overlapping classes due to rational choice of learning rate parameter and introducing special procedure of fuzzy reasoning in the clustering-classification process, which occurs both with external learning signal (“supervised”), and without one (“unsupervised”). As similarity measure of neighborhood function or membership one, cosine structures are used, which allow to provide a high flexibility due to self-learning-learning process and to provide some new useful properties.Item Solving approximation and forecasting problems using double ortho-neuron(Видавництво Національного університету "Львівська політехніка", 2007) Viktorov, Ye.; Bodyanskiy, Ye.; Dolotov, A.У статті розглянуто нову нетрадиційну нейромережеву архітектуру - подвійний орто-нейрон. Запропоновано алгоритм навчання на основі процедури оптимізації другого порядку. Вказано переваги розглянутої конструкції порівняно з класичними нейронними мережами. Надано результати імітаційного моделювання. In this paper new non-conventional neural network architecture called double ortho¬neuron is considered. Learning algorithm based on optimization procedure of the second order is proposed. The advantages of this construction are pointed out. Simulation results are given.Item Аdaptive fuzzy clustering based on manhattan metrics in medical and biological applications(Видавництво Львівської політехніки, 2015) Perove, I.; Bodyanskiy, Ye.Розглянуто алгоритм нечіткої кластеризації даних за наявності аномальних спостережень. Запропонований рекурсивний алгоритм нечіткої кластеризації даних ґрунтується на використанні манхеттенської метрики, що забезпечує високу швидкість обробки інформації та просту обчислювальну реалізацію. Результат апробації на даних медико-біологічних досліджень підтверджує ефективність запропонованого підходу. The problem of fuzzy clustering on the basis of the probabilistic fuzzy approach under the presence of outliers in data is considered. Recursive fuzzy clustering algorithm is proposed, which optimizes the objective function based on Manhattan metrics provides high speed of information processing and simple computational realization. The results of real data clustering confirm the effectiveness of proposed approach in medical data mining tasks.