Neuroniniai tinklai ypatingi tuo, kad juos galima apmokyti. Radialinių bazinių funkcijų neuroniniai tinklai naudojami kaip aproksimavimo funkcijos atpažįstant objektus ir apdorojant signalus. Norint gerai vizualizuoti daugiamačius duomenis radialinių bazinių funkcijų neuroniniais tinklais, daug kas priklauso nuo to, kokie metodai bus parenkami geram rezultatui gauti ir į kokius duomenis atsižvegiant bus vizualizuojami analizuojami įėjimo duomenys (pavyzdžiui, pagal svorius, ar pagal bazinių funkcijų reikšmes). Darbe yra detaliai ištirti radialinių bazinių funkcijų (RBF) neuroniniai tinklai bei šio metodo galimybės duotiems taškams vizualizuoti. Darbo uždavinys — sukurti radialinių bazinių funkcijų neuroninių tinklų algoritmą daugiamačiams duomenims vizualizuoti. Tinklo apmokymui buvo parinkti efektyvūs metodai bazinės funkcijos parametrams rasti. Kompiuteriniams eksperimentams atlikti naudotas MATLAB programinis paketas. Atlikta algoritmo lyginamoji analizė pagal šiuos aspektus:  svorius;  bazinių funkcijų gautas reikšmes;  vizualų duomenų projekcijų įvertinimą. Radialinių bazinių funkcijų neuroninių tinklų efektyvumas labai priklauso nuo bazinių funkcijų centrų parinkimo. Darbe atskleistos naujos galimybės greitam daugiamačių duomenų vizualizavimui plokštumoje ir erdvėje. Tai sudaro pagrindą tolesniems tyrimams šioje duomenų analizės srityje. / Neural networks are special, because they can “learn“. Radial Basic Function Type Neural Networks are used as functions for approximation in object recognition and signal processing. When trying to achieve good visualization of data by using RBFN, a lot depends on the methods used to achieve this result and the data, used to visualize and analyze input data (e.g. by weight or by basic function values). This thesis contains detailed analysis of Radial Basic Function (RBF) neural networks and the possibilities of this method to visualize the given points. The task of this thesis is to explore the possibility of RBF application in visualization of multidimensional data. For network "education", the effective methods for finding basic function parameters were chosen. Computer experiments where conducted with MATLAB software. A comparative analysis of the algorithm was performed according to the following aspects:  weights;  values, obtained by basic functions;  visual evaluation of data projections. Efficiency of RBFN depends greatly on selection of the centers of basic functions. The research showed, that RBNF can be successfully applied in multidimensional data visualization. Thesis gives new possibilities for displaying multidimensional data on a plane and in space. This serves as a background for future researches in this field of data analysis.

Pagrindinis darbo tikslas – atlikti kelių tiesioginio sklidimo neuroninių tinklų sistemų lyginamąją analizę siekiant įvertinti jų funkcionalumą. Šiame darbe apžvelgiama: biologinio ir dirbtinio neuronų modeliai, neuroninių tinklų klasifikacija pagal jungimo konstrukciją (tiesioginio sklidimo ir rekurentiniai neuroniniai tinklai), dirbtinių neuroninių tinklų mokymo strategijos (mokymas su mokytoju, mokymas be mokytojo, hibridinis mokymas). Analizuojami pagrindiniai tiesioginio sklidimo neuroninių tinklų metodai: vienasluoksnis perceptronas, daugiasluoksnis perceptronas realizuotas „klaidos skleidimo atgal” algoritmu, radialinių bazinių funkcijų neuroninis tinklas. Buvo nagrinėjama 14 skirtingų tiesioginio sklidimo neuroninių tinklų sistemos. Programos buvo suklasifikuotos pagal kainą, tiesioginio sklidimo neuroninių tinklo mokymo metodų taikymą, galimybę vartotojui keisti parametrus prieš apmokant tinklą ir techninį programos įvertinimą. Programos buvo įvertintos dešimtbalėje vertinimo sistemoje pagal mokymo metodų įvairumą, parametrų keitimo galimybes, programos stabilumą, kokybę, bei kainos ir kokybės santykį. Aukščiausiu balu įvertinta „Matlab” programa (10 balų), o prasčiausiai – „Sharky NN” (2 balai). Detalesnei analizei pasirinktos keturios programos („Matlab“, „DTREG“, „PathFinder“, „Cortex“), kurios buvo įvertintos aukščiausiais balais, galėjo apmokyti tiesioginio sklidimo neuroninį tinklą daugiasluoksnio perceptrono metodu ir bent dvi radialinių bazinių funkcijų... [toliau žr. visą tekstą] / The main aim – to perform a comparative analysis of several feedforward neural system networks in order to identify its functionality. The work presents both: biological and artificial neural models, also classification of neural networks, according to connections’ construction (of feedforward and recurrent neural networks), studying strategies of artificial neural networks (with a trainer, without a trainer, hybrid). The main methods of feedforward neural networks: one-layer perceptron, multilayer perceptron, implemented upon “error feedback” algorithm, also a neural network of radial base functions have been considered. The work has included 14 different feedforward neural system networks, classified according its price, application of study methods of feedforward neural networks, also a customer’s possibility to change parameters before paying for the network and a technical evaluation of a program. The programs have been evaluated from 1 point to 10 points according to the following: variety of training systems, possibility to change parameters, stability, quality and ratio of price and quality. The highest evaluation has been awarded to “Matlab” (10 points), the lowest – to “Sharky NN” (2 points). Four programs (”Matlab“, “DTREG“, “PathFinder“,”Cortex“) have been selected for a detail analysis. The best evaluated programs have been able to train feedforward neural networks using multilayer perceptron method, also at least two radial base function networks. “Matlab“ and... [to full text]