Середовище моделювання нейронних мереж для розв’язання задачі кластеризації

Автор(и)

  • Юрій Володимирович Москаленко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна

DOI:

https://doi.org/10.32626/2308-5916.2019-20.79-87

Анотація

Задача кластеризації розв’язується в багатьох прикладних галузях. Досягнути її швидкого та достатньо точного розв'язання можна за допомогою спеціальних нейронних мереж — карт самоорганізації Кохонена. Цей тип нейронних мереж постійно вдосконалюється як на рівні алгоритмів, так і на рівні програмного забезпечення. Тому доцільно створювати спеціальні програмні інструменти, що дозволяють в однакових умовах провести навчання та безпосередньо обчислювальні експерименти з розв’язання задачі кластеризації для коректного порівняльного аналізу отриманих результатів. Другим завданням такого середовища є визначення оптимального програмного інструментарію розв’язання прикладних задач технічної діагностики, наприклад, пошуку аномалій, класифікації сигналу з втратами.

У роботі обґрунтовано обрання існуючих програмних реалізацій карт самоорганізації SOM (self-organizing map) та відповідних їм багатошарових перцепронів MLP (multilayer perceptron) для розв'язання саме задачі класифікації. Всі обрані програмні реалізації є вільнодоступними та розповсюджуються з відкритою ліцензією.

Визначено параметри SOM та MLP, на які може впливати експериментатор. Обрано критерії порівняння реалізацій SOM.

Наведено архітектуру середовища моделювання і представлено функціонал його компонентів.

Для демонстрації застосування запропонованого середовища приведено розв'язання класичних тестових задач машинного навчання. Це дозволило провести коректне порівняння результатів обчислювальних експериментів, а також ефективності програмних реалізацій як за базовим, так і за оптимізованим алгоритмами.

Посилання

Cao M. Growing self-organizing map approach for semantic acquisition model-ing / M. Cao, A. Li, Q. Fang, B. J. Kroger // 2013 IEEE 4th International Con-ference on Cognitive Infocommunications (CogInfoCom). — 2013.

Furao S. An incremental network for on-line unsupervised classification and topology learning / S. Furao, O. Hasegawa // Neural Networks. — 2016. — Vol. 19. — P. 90–106.

Furao S. An enhanced self-organizing incremental neural network for online unsupervised learning / S. Furao, T. Ogura // Neural Networks. — 2007. — Vol. 20. — P. 893–903.

Github. — Access mode: https://github.com.

Shapovalova S. Increasing the share of correct clustering of characteristic signal with random losses in self-organizing maps / S. Shapovalova, Yu. Moskalenko // Eastern-European Journal of Enterprise Technologies. — 2019. — № 2/4 (98). — P. 13–21.

Growing Self-Organizing Map. — Access mode: https://github.com/-philippludwig/pygsom.

Self-Organizing Incremental Neural Network. — Access mode: https://github.com/fukatani/soinn.

An enhanced self-organizing incremental neural network for online unsupervised learning. URL: https://github.com/BelBES/ESOINN.

Encog Machine Learning Framework. — Access mode: https://github.com/-encog/encog-java-core.

Neuroph — Java Neural Network Platform Neuroph. — Access mode: https://github.com/neuroph/neuroph.

Iris Data Set. — Access mode: http://archive.ics.uci.edu/ml/datasets/Iris

Handwritten digit database. — Access mode: http://cis.jhu.edu/~sachin/-digit/digit.html.

##submission.downloads##

Опубліковано

2019-08-14