Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту

Simple item page
dc.citation.epage24
dc.citation.issue872
dc.citation.journalTitleВісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі
dc.citation.spage20
dc.contributor.affiliationХарківський національний університет радіоелектроніки
dc.contributor.authorБодянський, Є. В.
dc.contributor.authorДейнеко, А. О.
dc.contributor.authorЖернова, П. Є.
dc.contributor.authorЗолотухін, О. В.
dc.contributor.authorХаустова, Я. В.
dc.coverage.placenameЛьвів
dc.date.accessioned2018-11-13T15:34:44Z
dc.date.available2018-11-13T15:34:44Z
dc.date.created2017-03-28
dc.date.issued2017-03-28
dc.description.abstractЗапропоновано архітектуру та методи самонавчання гібридної нейрофаззі системи обчислювального інтелекту для кластерування даних за умов, коли кластери, що формуються, можуть мати довільну форму і взаємно перетинатися. В основу запропонованої системи покладено нечітку узагальнену регресійну нейронну мережу та нейро-фаззі кластерувальну мережу Т. Когонена, налаштування яких основано як на лінивому навчанні, так і на навчанні, що ґрунтується на оптимізації.
dc.description.abstractThe architecture and self-learning method of hybrid neuro-fuzzy systems for big fuzzy clustering in on-line mode are proposed in this paper. The architecture of proposed system represents the hybrid of the fuzzy general regression neural network and clustering selforganizing network. During a learning procedure in on-line mode, the proposed system tunes both its parameters and its architecture. For tuning of membership functions parameters of neuro-fuzzy system the method based on competitive learning is proposed. The hybrid neurofuzzy system tunes its synaptic weights, centers and width parameters of membership functions.
dc.format.extent20-24
dc.format.pages5
dc.identifier.citationПослідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту / Є. В. Бодянський, А. О. Дейнеко, П. Є. Жернова, О. В. Золотухін, Я. В. Хаустова // Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2017. — № 872. — С. 20–24.
dc.identifier.citationenSequential kernel fuzzy clustering of big data based on computational intelligence hybrid system / Ye. V. Bodianskyi, A. O. Deineko, P. Ye. Zhernova, O. V. Zolotukhin, Ya. V. Khaustova // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 872. — P. 20–24.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/42964
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofВісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі, 872, 2017
dc.relation.references1. Kohonen T. Self-Organizing Maps / T. Kohonen // Berlin: Springer-Verlag. – 1995. – 362 p.
dc.relation.references2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text] / J. C. Bezdek. –N.Y.: Plenum Press, 1981. – 272 p.
dc.relation.references3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text] / E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal // Pattern Recognition. – 1994. – No. 27. – P. 757–764.
dc.relation.references4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map / R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso // Pattern Recognition. – 2001. – No. 34. – P. 2395–2402.
dc.relation.references5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002). – Belgium. – 2002. – P. 137–142.
dc.relation.references6. Girolami, M. Mercer kernel-based clustering in feature space [Text] / M. Girolami // IEEE Trans. on Neural Networks. – 2002. – Vol. 13. – No. 3. – P. 780–784.
dc.relation.references7. Camastra F. A novel kernel method for clustering [Text] / F. Camastra, A. Verri // IEEE Trans. on Pattern Analysis and Machine Intelligence. – 2005. – No. 5. – P. 801–805.
dc.relation.references8. Schölkopf, B. Learning with Kernels [Text] / B. Schölkopf, A. Smola //Cambridge M. A.: MIT Press. – 2002. – 648 p.
dc.relation.references9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text] / J. Kacprzyk, W. Pedrycz. – Berlin Heidelberg: Springer – Verlag, 2015. – 1634 p.
dc.relation.references10. Haykin, S. Neural Networks and Learning Machines [Text] / S. Haykin. – N.Y. :Prentice Hall, 2009. – 1634 p.
dc.relation.references11. Cortes C. Support Vector Networks [Texy] / C. Cortes, V. Vapnik // Machine Learning. – 1995. – No. 20. – P. 273–297.
dc.relation.references12. Parzen E. On the estimation of a probability density function and the mode / E.Parzen // Ann. Math. Statist. – 1962. – No. 38. – P. 1065–1076.
dc.relation.references13. Specht, D.F. A general regression neural network [Text] / D.F. Specht // IEEE Trans. on Neural Networks. – 1991. – Vol. 2. – P. 568–576.
dc.relation.references14. Zahirniak D. Pattern recognition using radial basis function network. [Text] / D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati // Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf. – Dayton, OH. – 1990. – P. 249–260.
dc.relation.references15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text] / T.M. Cover // IEEE Trans. on Electronic Computers. – 1965. – No. 14. – P. 326–334.
dc.relation.references16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov // Heidelberg-New York: Springer-Verlag. – 2002. – 211 p.
dc.relation.references17. Kasabov N. Evolving Connectionist Systems [Text] / N. Kasabov – London: Springer-Verlag. – 2003 – 307 p.
dc.relation.references18. Angelov P.Evolving computational intelligence systems [Text] / P. Angelov, N. Kasabov // Proc. 1st Int. Workshop on Genetic Fuzzy Systems. – Granada, Spain. – 2005. – P. 76–82.
dc.relation.references19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text] / E. Lughofer. – Studies in Fuzziness and Soft Computing. – Springer-Berlin. – 2011. – 410 p.
dc.relation.referencesen1. Kohonen T. Self-Organizing Maps, T. Kohonen, Berlin: Springer-Verlag, 1995, 362 p.
dc.relation.referencesen2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text], J. C. Bezdek. –N.Y., Plenum Press, 1981, 272 p.
dc.relation.referencesen3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text], E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal, Pattern Recognition, 1994, No. 27, P. 757–764.
dc.relation.referencesen4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map, R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso, Pattern Recognition, 2001, No. 34, P. 2395–2402.
dc.relation.referencesen5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002), Belgium, 2002, P. 137–142.
dc.relation.referencesen6. Girolami, M. Mercer kernel-based clustering in feature space [Text], M. Girolami, IEEE Trans. on Neural Networks, 2002, Vol. 13, No. 3, P. 780–784.
dc.relation.referencesen7. Camastra F. A novel kernel method for clustering [Text], F. Camastra, A. Verri, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, No. 5, P. 801–805.
dc.relation.referencesen8. Schölkopf, B. Learning with Kernels [Text], B. Schölkopf, A. Smola //Cambridge M. A., MIT Press, 2002, 648 p.
dc.relation.referencesen9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text], J. Kacprzyk, W. Pedrycz, Berlin Heidelberg: Springer – Verlag, 2015, 1634 p.
dc.relation.referencesen10. Haykin, S. Neural Networks and Learning Machines [Text], S. Haykin, N.Y. :Prentice Hall, 2009, 1634 p.
dc.relation.referencesen11. Cortes C. Support Vector Networks [Texy], C. Cortes, V. Vapnik, Machine Learning, 1995, No. 20, P. 273–297.
dc.relation.referencesen12. Parzen E. On the estimation of a probability density function and the mode, E.Parzen, Ann. Math. Statist, 1962, No. 38, P. 1065–1076.
dc.relation.referencesen13. Specht, D.F. A general regression neural network [Text], D.F. Specht, IEEE Trans. on Neural Networks, 1991, Vol. 2, P. 568–576.
dc.relation.referencesen14. Zahirniak D. Pattern recognition using radial basis function network. [Text], D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati, Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf, Dayton, OH, 1990, P. 249–260.
dc.relation.referencesen15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text], T.M. Cover, IEEE Trans. on Electronic Computers, 1965, No. 14, P. 326–334.
dc.relation.referencesen16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov, Heidelberg-New York: Springer-Verlag, 2002, 211 p.
dc.relation.referencesen17. Kasabov N. Evolving Connectionist Systems [Text], N. Kasabov – London: Springer-Verlag, 2003 – 307 p.
dc.relation.referencesen18. Angelov P.Evolving computational intelligence systems [Text], P. Angelov, N. Kasabov, Proc. 1st Int. Workshop on Genetic Fuzzy Systems, Granada, Spain, 2005, P. 76–82.
dc.relation.referencesen19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text], E. Lughofer, Studies in Fuzziness and Soft Computing, Springer-Berlin, 2011, 410 p.
dc.rights.holder© Національний університет „Львівська політехніка“, 2017
dc.rights.holder© Бодянський Є. В., Дейнеко А. О., Жернова П. Є., Золотухін О. В., Хаустова Я. В., 2017
dc.subjectгібридна нейро-фаззі система
dc.subjectнейро-фаззі кластерувальна мережа Т. Когонена
dc.subjectкластерування
dc.subjectнечітка узагальнена регресійна нейронна мережа
dc.subjectself-learning method of hybrid neuro-fuzzy systems
dc.subjectbig data
dc.subjectfuzzy clustering
dc.subjectclustering self-organizing network
dc.subjectfuzzy general regression neural network
dc.subject.udc004.032.26
dc.titleПослідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту
dc.title.alternativeSequential kernel fuzzy clustering of big data based on computational intelligence hybrid system
dc.typeArticle

Files

Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
2017n872_Bodianskyi_Ie_V-Sequential_kernel_fuzzy_20-24.pdf
Size:
496.54 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2017n872_Bodianskyi_Ie_V-Sequential_kernel_fuzzy_20-24__COVER.png
Size:
472.03 KB
Format:
Portable Network Graphics
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.06 KB
Format:
Plain Text
Description:
Download

Collections

Інформаційні системи та мережі. – 2017. – №872