ON-LINE НЕО-ФАЗЗІ АВТОЕНКОДЕР ДЛЯ СИСТЕМ З ГЛИБИННИМ НАВЧАННЯМ НА БАЗІ НЕЙРО-ФАЗЗІ МЕРЕЖІ КОЛМОГОРОВА
Ключові слова:
Нео-фаззі автоенкодер, нейронні мережі з глибинним навчанням, нейро-фаззі мережа Колмогорова, редукція-компресія даних, методи машинного навчання
Анотація
Однією з основних задач інтелектуального аналізу даних є редукція-компресія великих обсягів даних високої розмірності. В статті запропоновані архітектура і алгоритм on-line навчання нео-фаззі автоенкодера, що є автоасоціативною «bottle neck» модификацією нейро-фаззі мережі Колмогорова. Запропонований автоенкодер характеризу-ється простотою чисельної реалізації і високою швидкістю налашту-вання своїх параметрів. Проведено імітаційні експерименти, що під-тверджують ефективність підходу, що розвивається.
Завантаження
Дані завантаження ще не доступні.
Посилання
1. Han J. Data Mining: Concepts and Techniques / J. Han, M. Kamber. – Amsterdam: Morgan Kaufman Publ. – 2006. – 743 p.
2. Aggarwal C.C. Data Mining / C.C. Aggarwal. – N.Y.: Springer, 2015. – 734 p.
3. Cichocki А. Neural Networks for Optimization and Signal Proces-sing / А. Cichocki, R. Unbehauen. – Stuttgart: Teubner, 1993. – 526 р.
4. Haykin S. Neural Networks and Learning Machines / S. Haykin. – Upper Saddle River. − New Jersey: Pearson, Prentice Hall, 2009. – 906 p.
5. LeCun Y. Deep Learning / Y. LeCun, Y. Bengio, G.E. Hinton // Nature. – 2015. – 521. – P. 436-444.
6. Schmidhuber J. Deep learning in neural networks: An overview / J. Schmidhuber // Neural Networks. – 2015. – 61. – P. 85-117.
7. Goodfellow I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. − MIT Press. – 2016. – 800 p.
8. Bifet A. Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams / A. Bifet. – Amsterdam: IOS Press, 2010. – 224 p.
9. Aggarwal C.C. Data Streams: Models and Algorithms / C.C. Aggarwal. − Kluwer Academic Publishers Boston/Dordrecht/London. – 2007. – 354 p.
10. Kolodyazhniy V. Fuzzy Kolmogorov’s Network / V. Kolodyazhniy, Ye. Bodyanskiy // In M.G. Negoita et al., editors, Lecture Notes in Computer Science. – V. 3214. – Springer-Verlag. – 2004. – P. 764-771.
11. Bodyanskiy Ye. Neuro-fuzzy Kolmogorov’s network for time-series prediction and pattern classification / Ye. Bodyanskiy, V. Kolodyazhniy, P. Otto // Lecture Notes in Artificial Intelligence. – V. 3698. – Heidelberg: Springer –Verlag. – 2005. – P. 191-202.
12. Kolodyazhniy V. Universal approximator employing neo-fuzzy neurons / Ye. Bodyanskiy, V. Kolodyazhniy, P. Otto // Ed. B. Reusch «Computational Intelligence Theory and Applications». – Berlin-Heidelberg: Springer, 2005. – P. 631-640.
13. Kolodyazhniy V. Neuro-fuzzy Kolmogorov’s network with a modified perceptron learning rule for classification problems / V. Kolodyazhniy, Ye. Bodyanskiy, V. Poyedyntseva, A. Stephan // Ed. B. Reuch «Advances in Soft Computing». – V. 38. – Berlin-Heidelberg: Springer-Verlag. – 2006. – P.41-49.
14. Bodyanskiy Ye. Neuro-fuzzy Kolmogorov's network / Ye. Bodyanskiy, Ye. Gorshkov, V. Kolodyazhniy, V. Poyedyntseva // Lecture Notes in Computer Science. – V.3697. – Berlin-Heidelberg: Springer-Verlag, 2005. – P.1-6.
15. Yamakawa T. A novel nonlinear synapse neuron model guaranteeing a global minimum – Wavelet neuron / T. Yamakawa // Proc. 28-th IEEE Int. Symp. on Multiple-Valued Logic. −Fukuoka. Japan: IEEE Comp. Soc. – 1998. – P. 335-336.
16. Uchino E. Soft computing based signal prediction, restoration and filtering / E. Uchino, T. Yamakawa // Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks and Genetic Algorithms, Da Ruan Eds.− Boston: Kluwer Academic Publisher. – 1997. – P. 331-349.
17. Yamakawa T. A neo-fuzzy neuron and its applications to system identification and prediction of the system behavior / T. Yamakawa, E. Uchino, T. Miki, H. Kusanagi // Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks «IIZUKA-92». −Iizuka, Japan. – 1992. – P. 477-483.
18. Jang J.-S. R. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence / J.-S. R. Jang, C. T. Sun, E. Mizutani. – N.J.: Prentice Hall, 1997. – 614 p.
19. Yam Y. Multi-resolution techniques in the rules-based intelligent control systems: a universal approximation result / Y. Yam, H.T. Nguyen, V. Kreinovich // Proc. of the 14th IEEE International Symposium on Intelligent Control/Intelligent Systems and Semio-tics (ISIC/ISAS'99). − Cambridge, Massachusetts, September. − 15-17. – 1999. – P. 213-218.
2. Aggarwal C.C. Data Mining / C.C. Aggarwal. – N.Y.: Springer, 2015. – 734 p.
3. Cichocki А. Neural Networks for Optimization and Signal Proces-sing / А. Cichocki, R. Unbehauen. – Stuttgart: Teubner, 1993. – 526 р.
4. Haykin S. Neural Networks and Learning Machines / S. Haykin. – Upper Saddle River. − New Jersey: Pearson, Prentice Hall, 2009. – 906 p.
5. LeCun Y. Deep Learning / Y. LeCun, Y. Bengio, G.E. Hinton // Nature. – 2015. – 521. – P. 436-444.
6. Schmidhuber J. Deep learning in neural networks: An overview / J. Schmidhuber // Neural Networks. – 2015. – 61. – P. 85-117.
7. Goodfellow I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. − MIT Press. – 2016. – 800 p.
8. Bifet A. Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams / A. Bifet. – Amsterdam: IOS Press, 2010. – 224 p.
9. Aggarwal C.C. Data Streams: Models and Algorithms / C.C. Aggarwal. − Kluwer Academic Publishers Boston/Dordrecht/London. – 2007. – 354 p.
10. Kolodyazhniy V. Fuzzy Kolmogorov’s Network / V. Kolodyazhniy, Ye. Bodyanskiy // In M.G. Negoita et al., editors, Lecture Notes in Computer Science. – V. 3214. – Springer-Verlag. – 2004. – P. 764-771.
11. Bodyanskiy Ye. Neuro-fuzzy Kolmogorov’s network for time-series prediction and pattern classification / Ye. Bodyanskiy, V. Kolodyazhniy, P. Otto // Lecture Notes in Artificial Intelligence. – V. 3698. – Heidelberg: Springer –Verlag. – 2005. – P. 191-202.
12. Kolodyazhniy V. Universal approximator employing neo-fuzzy neurons / Ye. Bodyanskiy, V. Kolodyazhniy, P. Otto // Ed. B. Reusch «Computational Intelligence Theory and Applications». – Berlin-Heidelberg: Springer, 2005. – P. 631-640.
13. Kolodyazhniy V. Neuro-fuzzy Kolmogorov’s network with a modified perceptron learning rule for classification problems / V. Kolodyazhniy, Ye. Bodyanskiy, V. Poyedyntseva, A. Stephan // Ed. B. Reuch «Advances in Soft Computing». – V. 38. – Berlin-Heidelberg: Springer-Verlag. – 2006. – P.41-49.
14. Bodyanskiy Ye. Neuro-fuzzy Kolmogorov's network / Ye. Bodyanskiy, Ye. Gorshkov, V. Kolodyazhniy, V. Poyedyntseva // Lecture Notes in Computer Science. – V.3697. – Berlin-Heidelberg: Springer-Verlag, 2005. – P.1-6.
15. Yamakawa T. A novel nonlinear synapse neuron model guaranteeing a global minimum – Wavelet neuron / T. Yamakawa // Proc. 28-th IEEE Int. Symp. on Multiple-Valued Logic. −Fukuoka. Japan: IEEE Comp. Soc. – 1998. – P. 335-336.
16. Uchino E. Soft computing based signal prediction, restoration and filtering / E. Uchino, T. Yamakawa // Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks and Genetic Algorithms, Da Ruan Eds.− Boston: Kluwer Academic Publisher. – 1997. – P. 331-349.
17. Yamakawa T. A neo-fuzzy neuron and its applications to system identification and prediction of the system behavior / T. Yamakawa, E. Uchino, T. Miki, H. Kusanagi // Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks «IIZUKA-92». −Iizuka, Japan. – 1992. – P. 477-483.
18. Jang J.-S. R. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence / J.-S. R. Jang, C. T. Sun, E. Mizutani. – N.J.: Prentice Hall, 1997. – 614 p.
19. Yam Y. Multi-resolution techniques in the rules-based intelligent control systems: a universal approximation result / Y. Yam, H.T. Nguyen, V. Kreinovich // Proc. of the 14th IEEE International Symposium on Intelligent Control/Intelligent Systems and Semio-tics (ISIC/ISAS'99). − Cambridge, Massachusetts, September. − 15-17. – 1999. – P. 213-218.
Опубліковано
2017-09-27
Як цитувати
БОДЯНСЬКИЙ, Є., ВИНОКУРОВА, О., ПЕЛЕШКО, Д., & РАШКЕВИЧ, Ю. (2017). ON-LINE НЕО-ФАЗЗІ АВТОЕНКОДЕР ДЛЯ СИСТЕМ З ГЛИБИННИМ НАВЧАННЯМ НА БАЗІ НЕЙРО-ФАЗЗІ МЕРЕЖІ КОЛМОГОРОВА. Розвиток транспорту, (1(1), 60-67. https://doi.org/10.33082/td.2017.1-1.06
Розділ
ІНФОРМАЦІЙНІ ІНТЕЛЕКТУАЛЬНІ ТЕХНОЛОГІЇ В АВТОМАТИЗОВАНИХ СИСТЕМАХ ОБРОБКИ ДАНИХ
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
