Lygiagrečių skaičiavimų taikymo daugiamačiams duomenims vizualizuoti problemos (Informatika 09 P)
Anotacija
Duomenų suvokimas yra sudėtingas uždavinys, ypač kai duomenys atspindi sudėtingą objektą, kuris aprašytas daugeliu parametrų. Disertacijos tyrimų sritis yra daugiamačių duomenų vizuali analizė, vizualizavimo algoritmų tyrimas bei tų algoritmų lygiagrečiųjų versijų kūrimas. Pagrindinis darbo tyrimų objektas yra dirbtiniais neuroniniais tinklais grindžiami algoritmai, skirti daugiamačiams duomenims vizualizuoti. Su šiuo objektu yra betarpiškai susiję daugiamačių duomenų vizualizavimas, dimensijos mažinimo algoritmai, projekcijos paklaidos, naujų taškų atvaizdavimas, vizualizavimui skirto neuroninio tinklo mokymo strategijos, lygiagretieji skaičiavimai. Pagrindinis disertacijos tikslas yra sukurti ir tobulinti metodus, kuriuos taikant būtų efektyviai minimizuojamos daugiamačių duomenų projekcijos paklaidos bei pagreitinamas dirbtinio neuroninio tinklo mokymas.
Disertacijoje yra siūlomi metodai, kuriuos taikant galima pagreitinti neuroninio tinklo, skirto daugiamačiams duomenims vizualizuoti, mokymą. Eksperimentiškai nustatytos optimalios sigmoidinės neurono aktyvacijos funkcijos nuolydžio parametro reikšmės. Parodoma, kad neuroninį tinklą galima mokyti analizuojamos duomenų aibės dalimi, pagreitinant tinklo mokymą. Darbe pateikiamas lygiagretusis neuroninio tinklo, skirto daugiamačiams duomenims vizualizuoti, mokymo algoritmas, skirtas bendros atminties kompiuteriams. Šis algoritmas leidžia pagreitinti neuroninio tinklo mokymą dirbant su didelės apimties duomenų aibėmis.
