tailieunhanh - Hierarchy supervised som neural network applied for classification problem
Trong bài báo này chúng tôi đề xuất các mạng nơron SOM có giám sát, gồm S-SOM và S-SOM+ áp dụng cho bài toán phân lớp. Các mạng này được cải tiến từ các mô hình SOM không giám sát và có giám sát đã được đề xuất bởi Kohonen và các tác giả khác. Sau đó, chúng tôi tiếp tục đề xuất các mô hình SOM có giám sát phân tầng cải tiến từ S-SOM và S-SOM+, gọi là HS-SOM và HS-SOM+. | Journal of Computer Science and Cybernetics, , (2014), 278–290 DOI: HIERARCHY SUPERVISED SOM NEURAL NETWORK APPLIED FOR CLASSIFICATION PROBLEM LE ANH TU1 , NGUYEN QUANG HOAN2 , LE SON THAI1 1 University of Information and Communication Technology; latu@, lesonthai@ 2 Posts and Telecommunications Institute of Technology. quanghoanptit@ Tóm tắt. Trong bài báo này chúng tôi đề xuất các mạng nơron SOM có giám sát, gồm S-SOM và S-SOM+ áp dụng cho bài toán phân lớp. Các mạng này được cải tiến từ các mô hình SOM không giám sát và có giám sát đã được đề xuất bởi Kohonen và các tác giả khác. Sau đó, chúng tôi tiếp tục đề xuất các mô hình SOM có giám sát phân tầng cải tiến từ S-SOM và S-SOM+ , gọi là HS-SOM và HS-SOM+ . Cải tiến của chúng tôi xuất phát từ ý tưởng xác định các nơron phân loại mẫu sai, từ đó phát triển các nhánh huấn luyện bổ sung đối với các mẫu dữ liệu được đại diện bởi các nơron này. Chúng tôi đã tiến hành thực nghiệm trên 11 tập dữ liệu phân lớp đơn nhãn đã được công bố. Kết quả thực nghiệm cho thấy mô hình đề xuất của chúng tôi phân loại mẫu đạt mức độ chính xác từ 92% tới 100%. Từ khóa. Bản đồ tự tổ chức, học có giám sát, phân cụm dữ liệu, Kohonen, mạng nơron nhân tạo. Abstract. In this paper, supervised SOM neural network was suggested, with S-SOM and S-SOM+ applied for classification problems. These networks were developed from supervised and unsupervised SOM model by Kohonen and other researchers. Hierarchy supervised SOM models were developed from the S-SOM and S-SOM+ , called HS-SOM and HS-SOM+ . Our improvement was inspired by the idea of finding neurons that wrongly classify samples, which created extra training branches for the representative samples of these neurons. Experiments on 11 single-label classification datasets were executed. The results showed that the suggested model classified samples with high accuracy, from 92% to 100%. Keywords. Self-organizing map, .
đang nạp các trang xem trước
