PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2015 | 14 | 3 |
Tytuł artykułu

Dynamical clustering of streaming data with a growing neural gas network

Treść / Zawartość
Warianty tytułu
PL
Grupowanie dynamiczne strumieni danych z zastosowaniem sieci typu growing neural gas
Języki publikacji
EN
Abstrakty
EN
One of characteristic feature of contemporary data bases is their growing dynamics. The number of registered entities as well as their group structure tends to dynamically grow. In order to effectively determine the rapidly changing number and structure of clusters, appropriate methods of cluster analysis have to be applied. The paper presents the results of simulation research concerning the possibility of applying self-learning GNG neural networks in clustering data from data streams.
PL
Jedną z charakterystycznych cech współczesnych zbiorów danych jest ich dynamika. Liczba zarejestrowanych obiektów, jak również ich struktura grupowa potrafi zmienić się wielokrotnie w ciągu sekund. W celu skutecznego wykrycia liczby skupień i struktury grupowej rejestrowanych obiektów konieczne staje się zastosowanie specjalnych metod analitycznych. W artykule przedstawiono wyniki badań symulacyjnych w zakresie możliwości zastosowania samouczących się sztucznych sieci neuronowych typu GNG w grupowaniu strumieni danych.
Wydawca
-
Rocznik
Tom
14
Numer
3
Opis fizyczny
p.95-104,ref.
Twórcy
  • Department of Statistics, Faculty of Management, University of Gdansk, Armii Krajowej 101, 81-824 Sopot, Poland
autor
  • Department of Statistics, Faculty of Management, University of Gdansk, Armii Krajowej 101, 81-824 Sopot, Poland
Bibliografia
  • Dean, T., Boddy, M.S. (1988). An analysis of time-dependent planning. [In:] Proceedings of the seventh National Conference on Artifi cial Intelligence, AAAI, St. Paul, 49–54.
  • Domingos, P., Hulten, G. (2000). Mining high-speed data streams. [In:] Proceedings of the sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Boston, 71–80.
  • Fritzke, B. (1994). Growing cell structures – a self-organizing network for unsupervised and supervised learning. Neural Networks, 7, 1441–1460.
  • Hulten, G., Spencer, L., Domingos, P. (2001). Mining time-changing data streams. [In:] KDD’01 Proceedings of the seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, NY, 97–106.
  • Jirayusakul, A., Auwatanamongkol, S. (2007). A supervised growing neural gas algorithm for cluster analysis. International Journal of Hybrid Intelligent Systems, 4, 129–141.
  • Kaufman, L., Rousseeuw, P.J. (1990). Finding groups in data: a introduction to cluster analysis. Wiley, New York.
  • Kohonen, T. (1995). Self-organizing maps. Springer-Verlag, Berlin-Heidelberg.
  • Kolter, J.Z., Maloof, M.A. (2003). Dynamic weighted majority: a new ensemble method for trakking concept drift. [In:] Proceedings of the third IEEE International Conference on Data Mining, Los Alamitos, 123–130.
  • Kranen, P., Assent, I., Baldauf, C., Seidl, T. (2011). The ClusTree: Indexing micro-clusters for anytime stream mining. Knowledge and Information Systems, 29, 249–272.
  • Kranen, P., Assent, I., Seidl, T. (2012). An index-inspired algorithm for anytime classifi cation on evolving data streams. Datenbank-Spektrum, Springer DASP, 12, 43–50.
  • Migdał-Najman, K., Najman, K. (2008). Data analysis, machine learning and applications, applying the Kohonen self-organizing map networks to selecting variables. [In:] C. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (Eds), Studies in Classifi cation. Data Analysisand Knowledge Organization. Springer Verlag, Berlin-Heidelberg, 45–54.
  • Najman, K. (2011a). Propozycja algorytmu samouczenia się sieci neuronowych typu GNG ze zmiennym krokiem uczenia. Taksonomia 18, Klasyfi kacja i analiza danych – teoria i zastosowania. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław, 176, 282–289.
  • Najman, K. (2011b). Dynamical clustering with Growing Neural Gas networks. Statistical Review, 3–4, 231–242.
  • Rand, W.M. (1971). Objective criteria for the evaluation of clustering methods. Journal of the American Statistical Association, 66, 846–850.
  • Vivekanandan, P., Nedunchezhian, R. (2011). Mining data streams with concept drifts using genetic algorithm. Artifi cial Intelligence Review, 36, 163–178.
  • Vlachos, M., Lin, J., Keogh, E.J., Gunopulo, D. (2003). A wavelet-based anytime algorithm for k-means clustering of time series. [In:] ICDM Workshop on Clustering High Dimensionality Data and its Applications. SIAM Data Mining, San Francisco.
  • Wang, H., Fan, W., Yu, P.S., Han, J. (2003). Mining concept-drifting data streams using ensemble classifi ers. [In:] Proceedings of the ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, NY, 226–235.
  • Wang, P., Wang, H., Wu, X., Wang, W., Shi, B. (2007). A low-granularity classifi er for data streams with concept drifts and biased class distribution. IEEE, Transactions on Knowledge and Data Engineering, 19, 1202–1213.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.agro-357511db-1ed6-4610-a927-7f5c482be4c8
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.