|
|
Biologicky inspirované modely založené na prototypech a aplikace gompertzovské dynamiky ve shlukové analýze
Pastorek, Lukáš ; Řezanková, Hana (vedoucí práce) ; Húsek, Dušan (oponent) ; Nánásiová, Oľga (oponent)
Tato práce se zabývá analýzou shlukovacích a mapovacích metod odvozených z principu neuronového a statistického ucení a teorie rustu. Vybraná vetev biologicky inspirovaných modelu založených na prototypech je analyzována v rámci definicního schématu, který zduraznuje návaznost techto metod na klasické "cisté" statistické koncepty. Jelikož jsou tyto metody široce chápány jako "cerné skrínky" s nepredvídatelným, nejasným a hlavne skrytým chováním, jsou poskytovány príklady prostorových a organizacních vzoru ve ve dvou-dimenzionálním prostoru. Práce navíc predstavuje koncept založený na nelineární negaussovské gompertzovské funkci, která se široce uplatnuje jako univerzální zákon v dynamických rustových modelech, zatím však bez aplikace ve výpocetní inteligenci. Podstata gompertzovské dynamiky je matematicky analyzována a je predstavena nová modifikovaná verze normalizované gompertzovské funkce. Funkce byla rovnež upravena pro potreby umelé výpocetní inteligence, pri níž jsou zkoumány souvislosti s neuronovými sítemi. Z principu Kohenenových samoorganizujících se map a algoritmu neuronového plynu jsou odvozeny a navrženy nové neuronové síte. Úspešnost gompertzovských neuronových sítí byla vyhodnocována na generovaných a reálných datových souborech. Gompertzovské neuronové síte s pevnou mrížkovou, které využívají principu poradí sousedu, vykazují nižší prumerné ctvercové odchylky v porovnání s puvodními algoritmy samoorganizujících se map. Podobne topologicky neomezené gompertzovské síte vykazují nízké úrovne chybovosti porovnatelné s algoritmem neuronového plynu, dále poskytují stabilnejší a méne chybová rešení v porovnání s metodou k-prumeru. Predstavená gompertzovská funkce se ukázala být životaschopným konceptem a efektivním nástrojem ve vícerozmerné analýze.
|
host ::
RSS.