Šiame darbe pateikti ir aprašyti biologinio ir dirbtinio neurono modeliai. Didžiausias dėmesys skiriamas vieno tipo neuroniniams tinklams – saviorganizuojantiems žemėlapiams (SOM). Darbe pateiktas jų apmokymas, taip pat pagrindinių sąvokų (epocha, kaimynystės eilė, unifikuotų atstumų matrica ir kt.), susijusių su SOM neuroniniais tinklais (žemėlapiais), apibrėžimai. Buvo nagrinėtos keturios saviorganizuojančių neuroninių tinklų sistemos: NeNet, SOM-Toolbox, DataBionic ESOM, Viscovery SOMine ir Matlab įrankiai „nntool“, „nctool“, kurie naudojami SOM tinklams sukurti ir apmokyti. Pateikiamos sistemų naudojimosi instrukcijos, norint gauti paprasčiausią SOM žemėlapį. Matlab aplinkoje sukurta ir darbe aprašyta naują vizualizavimo būdą turinti sistema „Somas“, pateiktas jos išskirtinumas ir naudojimosi instrukcija. Sistemoje „Somas“ realizuota kita mokymo funkcija nei kitose minėtose sistemose. Pagrindinis analizuotų sistemų tikslas yra suskirstyti duomenis į klasterius pagal jų panašumą ir pateikti juos SOM žemėlapyje. Sistemos viena nuo kitos skiriasi duomenų pateikimu, mokymo taisyklėmis, vizualizavimo galimybėmis, todėl čia aptariami sistemų panašumai ir skirtumai. Nagrinėti susidarę SOM žemėlapiai ir gautos kvantavimo bei topografinės paklaidos, analizuojant tris duomenų aibes: irisų, stiklo ir vyno. Kvantavimo ir topografinės paklaidos yra kiekybiniai vaizdo kokybės įverčiai. Padarytos išvados apie susidariusius klasterius tiriamuose duomenyse. Naudojant naują sistemą „Somas“... [toliau žr. visą tekstą] / In this master thesis, biologic and artificial neuron models have been described. The focus is selforganizing maps (SOM). The self-organizing maps are one of types of artificial neural networks. SOM training as well as the main concepts which need to explain SOM networks (epochs, neighbourhood size, u-matrix and etc.) have been described. Four systems of self-organizing maps: NeNet, SOMToolbox, DataBionic ESOM, Viscovery SOMine, and Matlab tools “nntool” and “nctool” have been analyzed. In the thesis, a system use guide has been presented to make a simple SOM map. A new system “Somas” that has a new visualisation way has been developed in Matlab. The system has been described, its oneness has been emphasized, and a use guide is presented. The main target of the SOM systems is data clustering and their graphical presentation on the self-organizing map. The SOM systems are different one from other in their interfaces, the data pre-processing, learning rules, visualization manners, etc. Similarities and differences of the systems have been highlighted here. The experiments have been carried out with three data sets: iris, glass and wine. The SOM maps, obtained by each system, have been described and some conclusions on the clusters have been drawn. The quantization and topographic errors have been analyzed to estimate the quality of the maps obtained. An investigation has been carried out in the new system “Somas” and system “NeNet” in order to look how quantization and... [to full text]

Saviorganizuojantys neuroniniai tinklai (SOM) yra susilaukę nemažai populiarumo mokslininkų tarpe klasterizuojant ar vizualizuojant daugiamačius duomenis. Šiame magistro diplominiame darbe smulkiai išnagrinėtas SOM algoritmas bei veikimo principai, pateiktos galimos parametrų reikšmės ir kaimynystės funkcijos. Taip pat nurodyti tinklo kokybės įvertinimo kriterijai ir duomenų vizualizavimo metodai taikant saviorganizuojantį neuroninį tinklą. SOM pagrindinis tikslas yra duomenų klasterizavimas, o ne vizualizavimas, todėl duomenų vaizdavimas SOM'u turi savų trūkumų – žemėlapyje negalima matyti atstumų tarp klasės neuronų ir kaip toli nutolusios viena nuo kitos klasės. Pateikta alternatyva – SOM modifikacija ViSOM. Darbe išnagrinėti ViSOM algoritmo esminiai skirtumai, aprašyti parametrų parinkimo ypatumai. Nagrinėti SOM ir ViSOM vizualizavimo skirtumus sukurta MATLAB sistemoje programa, realizuojanti abu algoritmus bei pateiktas programos galimybių ir scenarijų aprašas. Pasirinkus tris kaimynines funkcijas su šia programa atlikti tyrimai, rodantys, kad kvantavimo ir topografinės paklaidos netinkamos vertinant ViSOM vaizdo kokybę. Pasiūlyti trys nauji vertinimo kriterijai, bei su jais atlikti tyrimai, parodantys jų veiksmingumą. Taip pat darbe vizualiai parodytas ir aprašytas ViSOM žemėlapio kitimas priklausomai nuo rezoliucijos. / A self-organizing map is a type of artificial neural networks that has received substantial popularity among scientists in regards to clustering and visualization of multidimensional data. In this master theses, the learning algorithm and the main principals are examined in detail, the neighbourhood functions and values of various parameters are given. Some criteria of the network evaluation quality and the data visualization methods using the self-organizing maps are given as well. The main goal of the SOM is clustering of data, but not the visualization, so the visual data representation by the SOM has its drawbacks – it is impossible to see the distances between neurons, corresponding the vectors belong to a class, and how far from each other the classes are in a map. The alternative – SOM modification, called ViSOM, has been developed. The main differences of SOM and ViSOM are investigated, the peculiarity of parameter selection is also examined in this work. In order to study the differences of SOM and ViSOM visualization, a system in MATLAB has been developed, both algorithms have been implemented, and the feature and scenario list of the program is presented. Some experiments have been carried out by selecting three neighborhood functions. The experiments have showed that the quantization and topographic errors are not suitable for studying the visualization of ViSOM. Three new evaluation criteria are proposed. The investigation shows their effectiveness. In the work... [to full text]