Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/117454
Type of publication: master thesis
Field of Science: Informatika / Informatics (N009)
Author(s): Štrimaitis, Rokas
Supervisor: Kurasova, Olga
Title: Saviorganizuojančio neuroninio tinklo (SOM) ir jo modifikacijos daugiamačiams duomenims vizualizuoti (ViSOM) lyginamoji analizė
Other Title: The comparative analysis of the self-organizing map (SOM) and its modification for visualization of multidimensional data (ViSOM)
Extent: 66 p.
Date: 9-Jun-2010
Keywords: Saviorganizuojantis neuroninis tinklas;SOM;ViSOM;analizė;self-organizing map;SOM;ViSOM;analysis
Abstract: Saviorganizuojantys neuroniniai tinklai (SOM) yra susilaukę nemažai populiarumo mokslininkų tarpe klasterizuojant ar vizualizuojant daugiamačius duomenis. Šiame magistro diplominiame darbe smulkiai išnagrinėtas SOM algoritmas bei veikimo principai, pateiktos galimos parametrų reikšmės ir kaimynystės funkcijos. Taip pat nurodyti tinklo kokybės įvertinimo kriterijai ir duomenų vizualizavimo metodai taikant saviorganizuojantį neuroninį tinklą. SOM pagrindinis tikslas yra duomenų klasterizavimas, o ne vizualizavimas, todėl duomenų vaizdavimas SOM'u turi savų trūkumų – žemėlapyje negalima matyti atstumų tarp klasės neuronų ir kaip toli nutolusios viena nuo kitos klasės. Pateikta alternatyva – SOM modifikacija ViSOM. Darbe išnagrinėti ViSOM algoritmo esminiai skirtumai, aprašyti parametrų parinkimo ypatumai. Nagrinėti SOM ir ViSOM vizualizavimo skirtumus sukurta MATLAB sistemoje programa, realizuojanti abu algoritmus bei pateiktas programos galimybių ir scenarijų aprašas. Pasirinkus tris kaimynines funkcijas su šia programa atlikti tyrimai, rodantys, kad kvantavimo ir topografinės paklaidos netinkamos vertinant ViSOM vaizdo kokybę. Pasiūlyti trys nauji vertinimo kriterijai, bei su jais atlikti tyrimai, parodantys jų veiksmingumą. Taip pat darbe vizualiai parodytas ir aprašytas ViSOM žemėlapio kitimas priklausomai nuo rezoliucijos.
A self-organizing map is a type of artificial neural networks that has received substantial popularity among scientists in regards to clustering and visualization of multidimensional data. In this master theses, the learning algorithm and the main principals are examined in detail, the neighbourhood functions and values of various parameters are given. Some criteria of the network evaluation quality and the data visualization methods using the self-organizing maps are given as well. The main goal of the SOM is clustering of data, but not the visualization, so the visual data representation by the SOM has its drawbacks – it is impossible to see the distances between neurons, corresponding the vectors belong to a class, and how far from each other the classes are in a map. The alternative – SOM modification, called ViSOM, has been developed. The main differences of SOM and ViSOM are investigated, the peculiarity of parameter selection is also examined in this work. In order to study the differences of SOM and ViSOM visualization, a system in MATLAB has been developed, both algorithms have been implemented, and the feature and scenario list of the program is presented. Some experiments have been carried out by selecting three neighborhood functions. The experiments have showed that the quantization and topographic errors are not suitable for studying the visualization of ViSOM. Three new evaluation criteria are proposed. The investigation shows their effectiveness. In the work, the dependence of ViSOM map on resolution is shown and described.
Internet: https://hdl.handle.net/20.500.12259/117454
Appears in Collections:VDU, ASU ir LEU iki / until 2018

Files in This Item:
Show full item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

6
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.