A SOM-based classifier with enhanced structure learning

Pateritsas, Christos; Pertselakis, Minas; Stafylopatis, Andreas

doi:10.1109/icsmc.2004.1401296

Cited by 3 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Αντικείμενο της διδακτορικής διατριβής Χρηστός Α. Πατερίτσας όσο το δυνατόν καλύτερη προσέγγιση του βέλτιστου αριθμού ομάδων του συ νόλου των δεδομένων εισόδου, η οποία όμως είναι κατάλληλα διαμορφωμένη έτσι ώστε να εκμεταλλεύεται μετα-δεδομένα που προκύπτουν στην κάθε περί πτωση. Η πρώτη από τις δύο μεθοδολογίες δημοσιεύτηκε στην εργασία [24] ενώ η δεύτερη στην εργασία [56].…”

Section: συνεισφορά της διατριβήςunclassified

“…Το σύστημα αυτό χρησιμοποίησε την μέθοδο αυτή ως στάδιο προεπεξεργασίας των δεδομένων και εξαγωγής μετα-δεδομένων τα οποία αξιοποιήθηκαν από ένα νευρο-ασαφές δίκτυο που και αποτελεί το δεύτερο τμήμα του συστήματος. Το υβριδικό αυτό σύστημα παρουσιάστηκε στην εργασία [56].…”

Section: συνεισφορά της διατριβήςunclassified

“…Η πρώτη βασίζεται στον συνδυασμό των αποτελεσμάτων της επαναληπτικής εκτέ λεσης ενός βασικού αλγόριθμου [24]. Ενώ η δεύτερη βασίζεται στα αποτελέ σματα της ομαδοποίησης μέσω αυτο-οργανούμενων χαρτών [56].…”

Section: μεθοδολογίες ομαδοποίησηςunclassified

“…Η πειραματική αξιολόγηση και των δύο μεθοδολογιών έδειξε ότι παρουσιά ζουν την ικανότητα να διαχωρίζουν με επιτυχία σύνολα δεδομένων που χαρα κτηρίζονται από μη κυκλικούς σχηματισμούς και στα οποία αρκετοί αλγόριθμοι ομαδοποίησης εμφανίζουν προβληματική συμπεριφορά. Με σκοπό την αξιολόγηση της δυνατότητας συμμετοχής διάφορων μοντέλων εξόρυξης γνώσης αναπτύχθηκε ένα πρωτότυπο υβριδικό σύστημα [56]. Το μο ντέλο βασίζεται σε δύο ευρέως γνωστά μοντέλα υπολογιστικής νοημοσύνης, τους αυτο-οργανούμενους χάρτες και τα νευρο-ασαφή συστήματα.…”

Section: συζήτηση -συμπεράσματαunclassified

See 3 more Smart Citations

Υβριδικές Ευφυείς Τεχνικές Ανάλυσης Για Εξόρυξη Γνώσης Από Δεδομένα Υψηλών Διαστάσεων

Πατερίτσας¹

View full text Add to dashboard Cite

Η ανάπτυξη υβριδικών συστημάτων στον χώρο της τεχνητής νοημοσύνης και της μηχανικής μάθησης βρίσκεται τα τελευταία χρόνια ανάμεσα στα πιο δημοφιλή πεδία έρευνας. Η συνεισφορά της παρούσας διατριβής εντάσσεται αφενός στην περιοχή των υβριδικών συστημάτων με την ανάπτυξη νέων μοντέλων και αλγορίθμων μάθησης και αφετέρου στην περιοχή της εξόρυξης γνώσης από δεδομένα. Πιο συγκεκριμένα, αρχικά αναπτύχθηκαν δυο μεθοδολογίες ομαδοποίησης με κοινό στοιχείο και στις δύο να αποτελεί η χρήση αρχικά ενός αλγόριθμου ομαδοποίησης για την δημιουργία μίας αρχικής ομαδοποίησης των δεδομένων. Στην πρώτη μέθοδο χρησιμοποιήθηκε ο αλγόριθμος FCM, ενώ στην δεύτερη χρησιμοποιήθηκε το μοντέλο των αυτο-οργανούμενων χαρτών. Στην συνέχεια, και στις δύο περιπτώσεις εφαρμόζονται τεχνικές ιεραρχικής συγχώνευσης, οι οποίες εκμεταλλευόμενες μετα-δεδομένα που προκύπτουν στην κάθε περίπτωση, έχουν ως στόχο την προσέγγιση του βέλτιστου αριθμού των ομάδων. Με χρήση της δεύτερης μεθοδολογίας αναπτύχθηκε μία μέθοδος αξιολόγησης των χαρακτηριστικών των δεδομένων εισόδου ως προς την συνεισφορά τους στον σχηματισμό των ομάδων. Η μέθοδος αυτή αποτέλεσε και τμήμα ενός πρωτότυπου υβριδικού συστήματος κατηγοριοποίησης που χρησιμοποίησε την μέθοδο αυτή ως στάδιο προεπεξεργασίας και εξαγωγής μετα-δεδομένων, τα οποία αξιοποιήθηκαν από ένα νευρο-ασαφές δίκτυο που αποτελεί το δεύτερο τμήμα του συστήματος. Στην συνέχεια, αναπτύχθηκε ένα ακόμα υβριδικό σύστημα κατηγοριοποίησης του οποίου το κυρίως μέρος αποτελεί ένας πρωτότυπος αλγόριθμος κατηγοριοποίησης που ανήκει στην κατηγορία των αλγόριθμων κατηγοριοποίησης με χρήση ένα σύνολο δεδομένων ως βάση γνώσης. Το δεύτερο τμήμα του συστήματος είναι μία μέθοδος αξιολόγησης των συνδυασμών των χαρακτηριστικών εισόδου με την χρήση αυτο-οργανούμενων χαρτών. Το μοντέλο των αυτο-οργανούμενων χαρτών χρησιμοποιήθηκε επίσης για την υλοποίηση δύο προσεγγίσεων του μετασχηματισμού της εξαγόμενης από τα δεδομένα γνώσης σε συμβολική μορφή. Η πρώτη προσέγγιση είναι η υλοποίηση ενός πρωτότυπου υβριδικού συστήματος αναγνώρισης χειρονομιών, στο οποίο οι αυτο-οργανούμενοι χάρτες χρησιμοποιήθηκαν ως παραγωγοί συμβολικών καταστάσεων από τα δεδομένα εισόδου, οι οποίες αποτέλεσαν τα δεδομένα για την δημιουργία πιθανοτικών μοντέλων κατηγοριοποίησης. Στην δεύτερη προσέγγιση παρουσιάστηκαν μεθοδολογίες εξαγωγής συμβολικών κανόνων που αποτελούν και μία μορφή απεικόνισης γνώσης, η οποία είναι κατανοητή και χρηστική από τον άνθρωπο. Η αποδοτικότητα των μεθόδων που αναπτύχθηκαν αξιολογήθηκε πειραματικά με χρήση συνόλων δεδομένων, τα οποία χρησιμοποιούνται ευρέως από την επιστημονική κοινότητα για την αξιολόγηση μεθόδων και αλγόριθμων των συναφών ερευνητικών πεδίων.

show abstract

Section: συνεισφορά της διατριβήςunclassified