Šiame magistro diplominiame darbe nagrinėjamas dirbtinių neuroninių tinklų taikymas daugiamačiams duomenims vizualizuoti. Darbe apžvelgtos kelios duomenų vizualizavimo strategijos, išnagrinėti keli duomenų normavimo būdai. Detaliai ištirtas SAMANN algoritmas, skirtas daugiamatės erdvės duomenims vizualizuoti į mažesnio matavimo erdvę. Su C++ programavimo kalba sukurtos keturių normavimo būdų ir SAMANN neuroninio tinklo realizavimo programos. Atlikti tokie eksperimentai: keturių duomenų aibių vektorių normavimas 4-iais būdais, daugiamačių duomenų vizualizavimas plokštumoje, SAMANN neuroninio tinklo paklaidos skaičiavimas ir rezultatų atvaizdavimas plokštumoje. Eksperimentai atlikti su realiomis ir dirbtine duomenų aibėmis. Nustatyta daugiamačių duomenų vizualizavimo tikslumo (projekcijos paklaidos) priklausomybė nuo iteracijų skaičiaus ir mokymo greičio parametro reikšmės, o taip pat nuo pradinės duomenų aibės normavimo būdų. / The application of artificial neural networks for multidimensional data visualization is investigated in this master‘s thesis. Several strategies for data visualization and some data normalization methods are reviewed. A realization of SAMANN algorithm for multidimensional data visualization is investigated in detail. Programs for data normalization methods and SAMANN neural network realization have been developed using C++ programming language. Some experiments have been performed and presented in this theses: four methods for normalization of multidimensional data sets, multidimensional data visualization using SAMANN neural network, calculation of the projection (SAMANN) error. Three real and one artificial data sets have been used in the experiments. Dependences of the multidimensional data sets projection error on the iteration number and normalization methods have been investigated and presented in this theses too. Summarized experimental results and conclusions are presented.

Disertacijos tyrimų sritis yra daugiamačių duomenų analizė, bei tų duomenų suvokimo gerinimo būdai. Duomenų suvokimas yra sudėtingas uždavinys, ypač kai duomenys nurodo sudėtingą objektą, kuris aprašytas daugeliu parametrų. Disertacijoje nagrinėjami dirbtinių neuroninių tinklų algoritmai daugiamačiams duomenims vizualizuoti. Darbo tyrimų objektas yra dirbtiniai neuroniniai tinklai, skirti daugiamačių duomenų vizualizavimui. Su šiuo objektu yra betarpiškai susiję dalykai: daugiamačių duomenų vizualizavimas; dimensijos mažinimo algoritmai; projekcijos paklaidos; naujų taškų atvaizdavimas; vizualizavimui skirto neuroninio tinklo permokymo strategijos ir parametrų optimizavimas; lygiagretieji skaičiavimai. Pagrindinis disertacijos tikslas yra sukurti ir tobulinti metodus, kuriuos taikant būtų efektyviai minimizuojamos daugiamačių duomenų projekcijos paklaidos naudojantis dirbtiniais neuroniniais tinklais bei projekcijos algoritmais. Darbe atliktų tyrimų rezultatai atskleidė naujas medicininių (fiziologinių) duomenų analizės galimybes. / The research area of this work is the analysis of multidimensional data and the ways of improving apprehension of the data. Data apprehension is rather a complicated problem especially if the data refer to a complex object or phenomenon described by many parameters. The research object of the dissertation is artificial neural networks for multidimensional data projection. General topics that are related with this object: multidimensional data visualization; dimensionality reduction algorithms; errors of projecting data; the projection of the new data; strategies for retraining the neural network that visualizes multidimensional data; optimization of control parameters of the neural network for multidimensional data projection; parallel computing. The key aim of the work is to develop and improve methods how to efficiently minimize visualization errors of multidimensional data by using artificial neural networks. The results of the research are applied in solving some problems in practice. Human physiological data that describe the human functional state have been investigated.

The research area of this work is the analysis of multidimensional data and the ways of improving apprehension of the data. Data apprehension is rather a complicated problem especially if the data refer to a complex object or phenomenon described by many parameters. The research object of the dissertation is artificial neural networks for multidimensional data projection. General topics that are related with this object: multidimensional data visualization; dimensionality reduction algorithms; errors of projecting data; the projection of the new data; strategies for retraining the neural network that visualizes multidimensional data; optimization of control parameters of the neural network for multidimensional data projection; parallel computing. The key aim of the work is to develop and improve methods how to efficiently minimize visualization errors of multidimensional data by using artificial neural networks. The results of the research are applied in solving some problems in practice. Human physiological data that describe the human functional state have been investigated. / Disertacijos tyrimų sritis yra daugiamačių duomenų analizė, bei tų duomenų suvokimo gerinimo būdai. Duomenų suvokimas yra sudėtingas uždavinys, ypač kai duomenys nurodo sudėtingą objektą, kuris aprašytas daugeliu parametrų. Disertacijoje nagrinėjami dirbtinių neuroninių tinklų algoritmai daugiamačiams duomenims vizualizuoti. Darbo tyrimų objektas yra dirbtiniai neuroniniai tinklai, skirti daugiamačių duomenų vizualizavimui. Su šiuo objektu yra betarpiškai susiję dalykai: daugiamačių duomenų vizualizavimas; dimensijos mažinimo algoritmai; projekcijos paklaidos; naujų taškų atvaizdavimas; vizualizavimui skirto neuroninio tinklo permokymo strategijos ir parametrų optimizavimas; lygiagretieji skaičiavimai. Pagrindinis disertacijos tikslas yra sukurti ir tobulinti metodus, kuriuos taikant būtų efektyviai minimizuojamos daugiamačių duomenų projekcijos paklaidos naudojantis dirbtiniais neuroniniais tinklais bei projekcijos algoritmais. Darbe atliktų tyrimų rezultatai atskleidė naujas medicininių (fiziologinių) duomenų analizės galimybes.