Тривимірні нейроні мережі у завданнях кластеризації

Автор(и)

  • О. Паладієв КПІ ім. Ігоря Сікорського, Україна
  • О. Лісовиченко КПІ ім. Ігоря Сікорського, Україна

DOI:

https://doi.org/10.20535/1560-8956.44.2024.302431

Ключові слова:

Тривимірні нейронні мережі, кластеризація, індекс Данна, глибинне навчання, просторові дані

Анотація

У даній роботі досліджуються можливості та ефективність застосування тривимірних нейронних мереж у задачах кластеризації. Автори розробили архітектуру тривимірної нейронної мережі та оцінили її здатність до кластеризації за
допомогою індексу Данна. Результати дослідження показують високу ефективність запропонованої моделі порівняно з традиційними методами кластеризації, такими як K-середніх та ієрархічна кластеризація. Особливу увагу приділено аналізу просторових даних, де тривимірні нейронні мережі демонструють значні переваги у виявленні складних структур та формуванні чітких кластерів. Також розглянуто вплив різних параметрів мережі, включаючи кількість шарів та нейронів, на якість кластеризації. Запропонована модель може знайти широке застосування в різних областях, таких як медична діагностика, обробка зображень та аналіз соціальних мереж, де важливо ефективно групувати великі обсяги просторових даних.

Бібл. 9

Посилання

Paladiiev, O., & Lisovychenko, O. (2022). The influence of the opponent's color model on the general capabilities of neural networks. Interdepartmental ScientificTechnical Journal «Adaptive Systems of Automatic Control», 2(41), 22-27.

Paladiiev, O., & Lisovychenko, O. (2023). Influence of Reducing the Size of a Neural Network on Its Generalization Ability. Interdepartmental Scientific-Technical Journal «Adaptive Systems of Automatic Control», 2(43), 124-130.

Xu, R., & Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3), 645-678.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

Dunn, J. C. (1974). Well-separated clusters and optimal fuzzy partitions. Journal of Cybernetics, 4(1), 95-104.

Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.

##submission.downloads##

Опубліковано

2024-04-23

Номер

Том 1 № 44 (2024): Адаптивні системи автоматичного управління

Розділ

Статті

Ліцензія

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.

2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.

3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах).  Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це:  The Effect of Open Access.