| DC Field | Value | Language |
|---|
| dc.contributor.author | Бодянський, Є. В. | |
| dc.contributor.author | Дейнеко, А. О. | |
| dc.contributor.author | Жернова, П. Є. | |
| dc.contributor.author | Золотухін, О. В. | |
| dc.contributor.author | Хаустова, Я. В. | |
| dc.date.accessioned | 2018-11-13T15:34:44Z | - |
| dc.date.available | 2018-11-13T15:34:44Z | - |
| dc.date.created | 2017-03-28 | |
| dc.date.issued | 2017-03-28 | |
| dc.identifier.citation | Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту / Є. В. Бодянський, А. О. Дейнеко, П. Є. Жернова, О. В. Золотухін, Я. В. Хаустова // Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2017. — № 872. — С. 20–24. | |
| dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/42964 | - |
| dc.description.abstract | Запропоновано архітектуру та методи самонавчання гібридної нейрофаззі системи
обчислювального інтелекту для кластерування даних за умов, коли кластери, що
формуються, можуть мати довільну форму і взаємно перетинатися. В основу
запропонованої системи покладено нечітку узагальнену регресійну нейронну мережу та
нейро-фаззі кластерувальну мережу Т. Когонена, налаштування яких основано як на
лінивому навчанні, так і на навчанні, що ґрунтується на оптимізації. | |
| dc.description.abstract | The architecture and self-learning method of hybrid neuro-fuzzy systems for big fuzzy
clustering in on-line mode are proposed in this paper. The architecture of proposed system
represents the hybrid of the fuzzy general regression neural network and clustering selforganizing
network. During a learning procedure in on-line mode, the proposed system tunes
both its parameters and its architecture. For tuning of membership functions parameters of
neuro-fuzzy system the method based on competitive learning is proposed. The hybrid neurofuzzy
system tunes its synaptic weights, centers and width parameters of membership functions. | |
| dc.format.extent | 20-24 | |
| dc.language.iso | uk | |
| dc.publisher | Видавництво Львівської політехніки | |
| dc.relation.ispartof | Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі, 872, 2017 | |
| dc.subject | гібридна нейро-фаззі система | |
| dc.subject | нейро-фаззі кластерувальна мережа Т. Когонена | |
| dc.subject | кластерування | |
| dc.subject | нечітка узагальнена регресійна нейронна мережа | |
| dc.subject | self-learning method of hybrid neuro-fuzzy systems | |
| dc.subject | big data | |
| dc.subject | fuzzy clustering | |
| dc.subject | clustering self-organizing network | |
| dc.subject | fuzzy general regression neural network | |
| dc.title | Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту | |
| dc.title.alternative | Sequential kernel fuzzy clustering of big data based on computational intelligence hybrid system | |
| dc.type | Article | |
| dc.rights.holder | © Національний університет „Львівська політехніка“, 2017 | |
| dc.rights.holder | © Бодянський Є. В., Дейнеко А. О., Жернова П. Є., Золотухін О. В., Хаустова Я. В., 2017 | |
| dc.contributor.affiliation | Харківський національний університет радіоелектроніки | |
| dc.format.pages | 5 | |
| dc.identifier.citationen | Sequential kernel fuzzy clustering of big data based on computational intelligence hybrid system / Ye. V. Bodianskyi, A. O. Deineko, P. Ye. Zhernova, O. V. Zolotukhin, Ya. V. Khaustova // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 872. — P. 20–24. | |
| dc.relation.references | 1. Kohonen T. Self-Organizing Maps / T. Kohonen // Berlin: Springer-Verlag. – 1995. – 362 p. | |
| dc.relation.references | 2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text] / J. C. Bezdek. –N.Y.: Plenum Press, 1981. – 272 p. | |
| dc.relation.references | 3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text] / E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal // Pattern Recognition. – 1994. – No. 27. – P. 757–764. | |
| dc.relation.references | 4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map / R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso // Pattern Recognition. – 2001. – No. 34. – P. 2395–2402. | |
| dc.relation.references | 5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002). – Belgium. – 2002. – P. 137–142. | |
| dc.relation.references | 6. Girolami, M. Mercer kernel-based clustering in feature space [Text] / M. Girolami // IEEE Trans. on Neural Networks. – 2002. – Vol. 13. – No. 3. – P. 780–784. | |
| dc.relation.references | 7. Camastra F. A novel kernel method for clustering [Text] / F. Camastra, A. Verri // IEEE Trans. on Pattern Analysis and Machine Intelligence. – 2005. – No. 5. – P. 801–805. | |
| dc.relation.references | 8. Schölkopf, B. Learning with Kernels [Text] / B. Schölkopf, A. Smola //Cambridge M. A.: MIT Press. – 2002. – 648 p. | |
| dc.relation.references | 9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text] / J. Kacprzyk, W. Pedrycz. – Berlin Heidelberg: Springer – Verlag, 2015. – 1634 p. | |
| dc.relation.references | 10. Haykin, S. Neural Networks and Learning Machines [Text] / S. Haykin. – N.Y. :Prentice Hall, 2009. – 1634 p. | |
| dc.relation.references | 11. Cortes C. Support Vector Networks [Texy] / C. Cortes, V. Vapnik // Machine Learning. – 1995. – No. 20. – P. 273–297. | |
| dc.relation.references | 12. Parzen E. On the estimation of a probability density function and the mode / E.Parzen // Ann. Math. Statist. – 1962. – No. 38. – P. 1065–1076. | |
| dc.relation.references | 13. Specht, D.F. A general regression neural network [Text] / D.F. Specht // IEEE Trans. on Neural Networks. – 1991. – Vol. 2. – P. 568–576. | |
| dc.relation.references | 14. Zahirniak D. Pattern recognition using radial basis function network. [Text] / D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati // Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf. – Dayton, OH. – 1990. – P. 249–260. | |
| dc.relation.references | 15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text] / T.M. Cover // IEEE Trans. on Electronic Computers. – 1965. – No. 14. – P. 326–334. | |
| dc.relation.references | 16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov // Heidelberg-New York: Springer-Verlag. – 2002. – 211 p. | |
| dc.relation.references | 17. Kasabov N. Evolving Connectionist Systems [Text] / N. Kasabov – London: Springer-Verlag. – 2003 – 307 p. | |
| dc.relation.references | 18. Angelov P.Evolving computational intelligence systems [Text] / P. Angelov, N. Kasabov // Proc. 1st Int. Workshop on Genetic Fuzzy Systems. – Granada, Spain. – 2005. – P. 76–82. | |
| dc.relation.references | 19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text] / E. Lughofer. – Studies in Fuzziness and Soft Computing. – Springer-Berlin. – 2011. – 410 p. | |
| dc.relation.referencesen | 1. Kohonen T. Self-Organizing Maps, T. Kohonen, Berlin: Springer-Verlag, 1995, 362 p. | |
| dc.relation.referencesen | 2. Bezdek, J.-C. Pattern Recognition with Fuzzy Objective Function Algorithms [Text], J. C. Bezdek. –N.Y., Plenum Press, 1981, 272 p. | |
| dc.relation.referencesen | 3. Tsao E.C.-K. Fuzzy Kohonen clustering networks [Text], E.C.-K. Tsao,J. C. Bezdek, J. C. Tsao, N. R. Pal, Pattern Recognition, 1994, No. 27, P. 757–764. | |
| dc.relation.referencesen | 4. Pascual – Marqui R. D. Smoothly distributed fuzzy C-means: a new self-organizing map, R. D. Pascual – Marqui,A.D. Pascual – Montano, K. Kochi, J.M. Caroso, Pattern Recognition, 2001, No. 34, P. 2395–2402. | |
| dc.relation.referencesen | 5. MacDonald D., Fyfe C. Clustering in data space and feature space [Text] : ESANN'2002 Proc.European Symp. on Artificial Neural Networks. Bruges (24-26 April 2002), Belgium, 2002, P. 137–142. | |
| dc.relation.referencesen | 6. Girolami, M. Mercer kernel-based clustering in feature space [Text], M. Girolami, IEEE Trans. on Neural Networks, 2002, Vol. 13, No. 3, P. 780–784. | |
| dc.relation.referencesen | 7. Camastra F. A novel kernel method for clustering [Text], F. Camastra, A. Verri, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, No. 5, P. 801–805. | |
| dc.relation.referencesen | 8. Schölkopf, B. Learning with Kernels [Text], B. Schölkopf, A. Smola //Cambridge M. A., MIT Press, 2002, 648 p. | |
| dc.relation.referencesen | 9. Kacprzyk J. Springer Handbook of Computational Intelligence [Text], J. Kacprzyk, W. Pedrycz, Berlin Heidelberg: Springer – Verlag, 2015, 1634 p. | |
| dc.relation.referencesen | 10. Haykin, S. Neural Networks and Learning Machines [Text], S. Haykin, N.Y. :Prentice Hall, 2009, 1634 p. | |
| dc.relation.referencesen | 11. Cortes C. Support Vector Networks [Texy], C. Cortes, V. Vapnik, Machine Learning, 1995, No. 20, P. 273–297. | |
| dc.relation.referencesen | 12. Parzen E. On the estimation of a probability density function and the mode, E.Parzen, Ann. Math. Statist, 1962, No. 38, P. 1065–1076. | |
| dc.relation.referencesen | 13. Specht, D.F. A general regression neural network [Text], D.F. Specht, IEEE Trans. on Neural Networks, 1991, Vol. 2, P. 568–576. | |
| dc.relation.referencesen | 14. Zahirniak D. Pattern recognition using radial basis function network. [Text], D. Zahirniak, R. Chapman, S. Rogers, B. Suter, M. Kabrisky, V. Piati, Proc 6th Ann. Aerospace Application of Artificial Intelligence Conf, Dayton, OH, 1990, P. 249–260. | |
| dc.relation.referencesen | 15. Cover T. M. Geometrical and statistical properties of systems of linear inequali-ties with applications in pattern recognition [Text], T.M. Cover, IEEE Trans. on Electronic Computers, 1965, No. 14, P. 326–334. | |
| dc.relation.referencesen | 16. Angelov, P. Evolving Rule-based Models: A Tool for Design of Flexible Adaptive Systems [Text] /P. Angelov, Heidelberg-New York: Springer-Verlag, 2002, 211 p. | |
| dc.relation.referencesen | 17. Kasabov N. Evolving Connectionist Systems [Text], N. Kasabov – London: Springer-Verlag, 2003 – 307 p. | |
| dc.relation.referencesen | 18. Angelov P.Evolving computational intelligence systems [Text], P. Angelov, N. Kasabov, Proc. 1st Int. Workshop on Genetic Fuzzy Systems, Granada, Spain, 2005, P. 76–82. | |
| dc.relation.referencesen | 19. Lughofer E. Evolving Fuzzy Systems – Methodologies and Applications [Text], E. Lughofer, Studies in Fuzziness and Soft Computing, Springer-Berlin, 2011, 410 p. | |
| dc.citation.journalTitle | Вісник Національного університету «Львівська політехніка». Серія: Інформаційні системи та мережі | |
| dc.citation.issue | 872 | |
| dc.citation.spage | 20 | |
| dc.citation.epage | 24 | |
| dc.coverage.placename | Львів | |
| dc.subject.udc | 004.032.26 | |
| Appears in Collections: | Інформаційні системи та мережі. – 2017. – №872
|
