Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/116182
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorDzemyda, Gintautas-
dc.contributor.authorVengrovskij, Artiom-
dc.date.accessioned2020-12-22T14:41:43Z-
dc.date.available2020-12-22T14:41:43Z-
dc.date.issued2007-06-06-
dc.identifier.urihttps://hdl.handle.net/20.500.12259/116182-
dc.description.abstractNeuroniniai tinklai ypatingi tuo, kad juos galima apmokyti. Radialinių bazinių funkcijų neuroniniai tinklai naudojami kaip aproksimavimo funkcijos atpažįstant objektus ir apdorojant signalus. Norint gerai vizualizuoti daugiamačius duomenis radialinių bazinių funkcijų neuroniniais tinklais, daug kas priklauso nuo to, kokie metodai bus parenkami geram rezultatui gauti ir į kokius duomenis atsižvegiant bus vizualizuojami analizuojami įėjimo duomenys (pavyzdžiui, pagal svorius, ar pagal bazinių funkcijų reikšmes). Darbe yra detaliai ištirti radialinių bazinių funkcijų (RBF) neuroniniai tinklai bei šio metodo galimybės duotiems taškams vizualizuoti. Darbo uždavinys — sukurti radialinių bazinių funkcijų neuroninių tinklų algoritmą daugiamačiams duomenims vizualizuoti. Tinklo apmokymui buvo parinkti efektyvūs metodai bazinės funkcijos parametrams rasti. Kompiuteriniams eksperimentams atlikti naudotas MATLAB programinis paketas. Atlikta algoritmo lyginamoji analizė pagal šiuos aspektus:  svorius;  bazinių funkcijų gautas reikšmes;  vizualų duomenų projekcijų įvertinimą. Radialinių bazinių funkcijų neuroninių tinklų efektyvumas labai priklauso nuo bazinių funkcijų centrų parinkimo. Darbe atskleistos naujos galimybės greitam daugiamačių duomenų vizualizavimui plokštumoje ir erdvėje. Tai sudaro pagrindą tolesniems tyrimams šioje duomenų analizės srityje.lt
dc.description.abstractNeural networks are special, because they can “learn“. Radial Basic Function Type Neural Networks are used as functions for approximation in object recognition and signal processing. When trying to achieve good visualization of data by using RBFN, a lot depends on the methods used to achieve this result and the data, used to visualize and analyze input data (e.g. by weight or by basic function values). This thesis contains detailed analysis of Radial Basic Function (RBF) neural networks and the possibilities of this method to visualize the given points. The task of this thesis is to explore the possibility of RBF application in visualization of multidimensional data. For network \"education\", the effective methods for finding basic function parameters were chosen. Computer experiments where conducted with MATLAB software. A comparative analysis of the algorithm was performed according to the following aspects:  weights;  values, obtained by basic functions;  visual evaluation of data projections. Efficiency of RBFN depends greatly on selection of the centers of basic functions. The research showed, that RBNF can be successfully applied in multidimensional data visualization. Thesis gives new possibilities for displaying multidimensional data on a plane and in space. This serves as a background for future researches in this field of data analysis.en
dc.description.sponsorshipŠvietimo akademijalt
dc.description.sponsorshipVytauto Didžiojo universitetaslt
dc.format.extent79 p.-
dc.language.isolt-
dc.subjectRadialiniųlt
dc.subjectbaziniųlt
dc.subjectfunkcijųlt
dc.subjectneuroniniųlt
dc.subjectradialen
dc.subjectbasisen
dc.subjectfunctionen
dc.subjectneuralen
dc.subject.otherInformatika / Informatics (N009)-
dc.titleRadialinių bazinių funkcijų neuroninių tinklų taikymas daugiamačiams duomenims vaizduotilt
dc.title.alternativeVisualization of the multidimensional data by using the radial basis function neural networksen
dc.typemaster thesis-
item.fulltextWith Fulltext-
item.grantfulltextopen-
crisitem.author.deptŠvietimo akademija-
Appears in Collections:VDU, ASU ir LEU iki / until 2018
Files in This Item:
Show simple item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

2
checked on Jun 6, 2021

Download(s)

2
checked on Jun 6, 2021

Google ScholarTM

Check


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