Malicious users in data networks may form social interactions to create communities in abnormal fashions that deviate from the communication standards of a network. As a community, these users may perform many illegal tasks such as spamming, denial-of-service attacks, spreading confidential information, or sharing illegal contents. They may use different methods to evade existing security systems such as session splicing, polymorphic shell code, changing port numbers, and basic string manipulation. One way to masquerade the traffic is by changing the data rate patterns or use very low (trickle) data rates for communication purposes, the latter is focus of this research. Network administrators consider these communities of users as a serious threat. In this research, we propose a framework that not only detects the abnormal data rate patterns in a stream of traffic by using a type of neural network, Self-organizing Maps (SOM), but also detect and reveal the community structure of these users for further decisions. Through a set of comprehensive simulations, it is shown in this research that the suggested framework is able to detect these malicious user communities with a low false negative rate and false positive rate. We further discuss ways of improving the performance of the neural network by studying the size of SOM's.

The atmospheric drivers of winter and summer surface climate in western Canada are evaluated using a synoptic climatological approach. Winter snow accumulation provides the largest contribution to annual streamflow of the north-flowing Mackenzie and east-flowing Saskatchewan Rivers, while summer water availability is primarily a product of basin-wide precipitation and evapotranspiration. A catalogue of dominant synoptic types is produced for winter (Nov-Apr) and summer (May-Oct) using the method of Self-Organizing Maps. Water availability, quantified through high-resolution gridded temperature and precipitation data, associated with these synoptic types is then determined. The frequency of dominant types during positive/negative phases of the Southern Oscillation Index, Pacific Decadal Oscillation, and Arctic Oscillation reveal the atmospheric processes through which these teleconnections influence surface climate. Results from the winter analysis are more coherent than summer, with strong relationships found between synoptic types, teleconnections, and surface climate. Although not as strong, links between summer synoptic types and water availability also exist. Additionally, time-series analysis of synoptic type frequencies indicates a trend toward circulation patterns that produce warmer, drier winters as well as an earlier onset and extension of the summer season. This study increases our understanding of the atmospheric processes controlling the distribution of water resources in western Canada. / Graduate / 0388 / 0725 / 0368 / bwnewton@uvic.ca

The Data Mining techniques, based on the Kohonen self-organizing maps have been largely used for classifying signals in several areas of expertise. Generally, the SOM network (Self- Organizing Maps) is used to specify similarity relationships between objects by adopting cluster analysis. The computational cost, data preparation and mathematical modeling can influence the interpretation of results, in which those from the evaluation classes are among its limitations. The Kohonen maps do not permit detailed evaluation of the class of objects, which may however be defined by the class limits, in other words defining a measure that can link when an object belonging to a particular class can migrate from one class to another . To adopt this approach the solutions proposed in this Masters dissertation are designed to implement the Kohonen self-organizing maps and the fuzzy logic to generate neighborhoods between classes aimed at applying these techniques on a two-case study for classifying signals from potencial power systems and Biomedical output signals adopting an interpretation of the Kohonen nebula maps. The work is basically divided into three stages: the first which would be followed by a review of the data-mining techniques and fuzzy logic shown in literature; the second focuses on applying the classifier algorithm using artificial neural networks, specifically the usage of neural networks as SOM data mining techniques to enable the classification of signals while the third step demonstrates the SOM network fuzzy logic multidisciplinary approach as an alternative tool of the data-mining methods. / Fundação de Amparo a Pesquisa do Estado de Alagoas / As técnicas de mineração de dados baseadas nos mapas auto organizáveis de Kohonen têm sido bastante utilizada na classificação de sinais nas mais diversas áreas de conhecimento. Geralmente, a rede SOM (Self-Organizing Maps) é usada para especificar relações de similaridade entre objetos abordando análise de agrupamentos. O custo computacional, a preparação dos dados e modelagem matemática poderá influenciar na interpretação dos resultados, entre suas limitações encontram-se aquelas provenientes da avaliação das classes. Os mapas de Kohonen não permite avaliar de forma detalhada a classe dos objetos, os quais poderão está definidos pelo limite da classe, ou seja, definir uma medida que possa relacionar quando um objeto que pertença a uma classe particular possa migrar de uma classe para outra. Para adotar essa abordagem a solução proposta nesta dissertação de mestrado têm como objetivo aplicar os mapas auto-organizáveis de Kohonen e a lógica nebulosa para gerar as vizinhanças entre as classes visando aplicação dessas técnicas em dois estudos de casos na classificação dos sinais provenientes dos sistemas elétricos de potência e sinais biomédicos adotando uma interpretação nebulosa dos mapas de Kohonen. O trabalho se divide basicamente em três etapas: na primeira, será realizada uma revisão das técnicas de mineração de dados e da lógica nebulosa mostradas na literatura; na segunda, concentra-se aplicar o algoritmo classificador utilizando redes neurais artificiais, especificamente redes neurais SOM como técnica de mineração de dados para efetuar a classificação dos sinais; na terceira etapa demonstramos a abordagem multidisciplinar da rede SOM e da lógica nebulosa como uma ferramenta alternativa aos métodos de mineração de dados.

Made available in DSpace on 2014-12-17T14:56:14Z (GMT). No. of bitstreams: 1 LeonardoEBS_DISSERT.pdf: 24615429 bytes, checksum: 65db01cbf658b5c63cee811e9c19bafc (MD5) Previous issue date: 2013-07-29 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Self-organizing maps (SOM) are artificial neural networks widely used in the data mining field, mainly because they constitute a dimensionality reduction technique given the fixed grid of neurons associated with the network. In order to properly the partition and visualize the SOM network, the various methods available in the literature must be applied in a post-processing stage, that consists of inferring, through its neurons, relevant characteristics of the data set. In general, such processing applied to the network neurons, instead of the entire database, reduces the computational costs due to vector quantization. This work proposes a post-processing of the SOM neurons in the input and output spaces, combining visualization techniques with algorithms based on gravitational forces and the search for the shortest path with the greatest reward. Such methods take into account the connection strength between neighbouring neurons and characteristics of pattern density and distances among neurons, both associated with the position that the neurons occupy in the data space after training the network. Thus, the goal consists of defining more clearly the arrangement of the clusters present in the data. Experiments were carried out so as to evaluate the proposed methods using various artificially generated data sets, as well as real world data sets. The results obtained were compared with those from a number of well-known methods existent in the literature / Os mapas auto-organiz?veis (SOM) s?o redes neurais artificiais amplamente utilizadas no campo da minera??o de dados, principalmente por se constitu?rem numa t?cnica de redu??o de dimensionalidade dada a grade fixa de neur?nios associada ? rede. A fim de particionar e visualizar adequadamente a rede SOM, os diversos m?todos existentes na literatura devem ser aplicados em uma etapa de p?s-processamento nos seus neur?nios, visando inferir caracter?sticas relevantes do conjunto de dados. Em geral, tal processamento efetuado sobre os neur?nios da rede, ao inv?s do conjunto de dados em sua totalidade, reduz o custo computacional, dada a quantiza??o vetorial. Este trabalho prop?e p?s-processamentos dos neur?nios da rede SOM nos espa?os de entrada e de sa?da, aliando t?cnicas de visualiza??o a algoritmos baseados na for?a gravitacional e na procura do menor caminho com maior recompensa. Tais m?todos levam em considera??o for?as de liga??o entre neur?nios vizinhos e caracter?sticas de dist?ncias e densidade de padr?es, ambas associadas a posi??o que o neur?nio ocupa no espa?o dos dados ap?s o treinamento da rede. Dessa forma, busca-se definir mais nitidamente a disposi??o dos agrupamentos presentes nos dados. Experimentos foram realizados para avaliar os m?todos propostos utilizando diversos conjuntos de dados gerados artificialmente, assim como conjuntos de dados do mundo real. Os resultados obtidos foram comparados com aqueles provenientes de alguns m?todos bem conhecidos existentes na literatura

Orientador: Marcio Luiz de Andrade Netto / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-08T10:53:36Z (GMT). No. of bitstreams: 1 Peres_SarajaneMarques_D.pdf: 11492142 bytes, checksum: 7eeb4f81f681e145111b43ccfdde2b7e (MD5) Previous issue date: 2006 / Resumo: Redes Neurais Artificiais Auto-Organizáveis (RNA-AO), introduzidas por Teuvo Kohonen na década de 60, constituem uma poderosa ferramenta para análise de dados, mais especificamente para análise de agrupamentos, visualização e aproximação de superfícies. Nesta tese definiu-se uma nova forma para determinar a dimensão topológica do espaço de saídada RNA-AO a partir da análise do conjunto de dados a ser explorado pela rede, realizada como apoio combinado da Teoria de Fractais e do Raciocínio Aproximado Fuzzy. Ao combinar essas duas teorias, concebeu-se uma nova medida de dimensão fractal, a medida de Dimensão Fractal Fuzzy Significativa (DFFS) de um conjunto de dados. Tanto o processo de determinação da DFFS quanto sua aplicação como inferência da dimensãotopológica para a RNA-AO foram validados neste trabalho. O primeiro por meio de sua aplicação ao problema de Tendência a Agrupamentos e o segundo por meio da análise de qualidade das RNAs-AO projetadas segundo tal inferência / Abstract: Self Organizing Maps (SOM), introduced by Teuvo Kohonen during the decade of 1960's, is a powerful tool for data analysis, mainly for clustering analysis and surface approximation. In this thesis, we have defined a new way to determine the output space topological dimension of the SOM using the analysis of the dataset to be explored by the map. This analysis is carried out with the combined support of the Fractal Theory and the Fuzzy Approximated Reasoning, deriving a new fractal dimension measure: the Meaningful Fractal Fuzzy Dimension - DFFS (of the Portuguese "Dimensão Fractal:..Fuzzy Significativa"). The DFFS determination process and its application as an inference to the SOM topological dimension have been both validated in this work. The former has been carried out through its application to the Clustering Tendency Analysis and the latter through the quality analysis of the SOM designed by such inference / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / FundaÃÃo de Amparo à Pesquisa do Estado do Cearà / O objetivo desta tese foi investigar como o conhecimento prosÃdico està organizado em um estÃgio inicial de aquisiÃÃo de L2 em aprendizes brasileiros de inglÃs com a ajuda de uma rede neural conexionista. A abordagem proposta neste trabalho consiste primeiramente em "quantificar" as elocuÃÃes dos aprendizes de L2 na forma de coeficientes LPC e outras caracterÃsticas linguÃsticas/fonÃticas que possam representar o fenÃmeno aqui estudado (TransferÃncia do Conhecimento ProsÃdico do PortuguÃs para o inglÃs). A este processo dÃ-se o nome de "extraÃÃo de caracterÃsticas" da fala (feature extraction), uma importante etapa na abordagem conexionista do processamento da fala. Em segundo lugar, uma vez determinadas as caracterÃsticas do item lexical ou da frase produzida por cada aprendiz, sÃo inseridos esses dados na rede neural a fim de analisar as propriedades (regularidades) estatÃsticas do conjunto de falantes como um todo. Em terceiro, utiliza-se ferramentas de visualizaÃÃo para analisar como a rede organiza os falantes e quais informaÃÃes sÃo mais relevantes para este processo de formaÃÃo de grupos (e.g. nÃvel de proficiÃncia, uma certa caracterÃstica ou propriedade da fala, entre outros). A rede utilizada à conhecida como Mapa Auto-OrganizÃvel (Self-Organizing Map, SOM). A rede SOM organiza os falantes por grau de similaridade em grupos bem definidos (clusters). A aplicaÃÃo da rede SOM neste contexto Ã, portanto, inovadora. A rede SOM à implementada no ambiente Matlab usando o pacote Som toolbox, que à um conjunto de rotinas de programaÃÃo desenvolvidas pelo grupo de pesquisa da FinlÃndia, tambÃm inventores da rede SOM. Os resultados das simulaÃÃes apontam que a rede SOM pode vir a ser usada mais frequentemente para avaliar o grau de distÃncia a que um grupo de aprendizes està do grupo de falantes nativos. Dessa forma, uma rede neural pode vir a ser aplicada como ferramenta no contexto de determinaÃÃo de nÃvel de proficiÃncia em lÃngua estrangeira. / The objective of this dissertation was to investigate how the prosodic knowledge is organized in an early stage of L2 acquisition in Brazilian learners of English with the help of a connectionist neural network. The approach proposed in this research is first, to quantify the utterances of L2 learners in the form of LPC coefficients and other linguistic/phonetics features that can represent the phenomenon studied here (Transfer of the prosodic knowledge from Portuguese to English). This process is called speech feature extraction, an important step in the connectionist approach to speech processing. Second, since certain features of the lexical item or sentence produced by each learner are determined, these data are entered into the neural network to analyze the statistical properties (regularities) of the set of speakers as a whole. Third, visualization tools are used to analyze how the network organizes speakers and what information is most relevant to this process of group formation (e.g. proficiency level, a certain characteristic or property of speech, among others). The network is known as Self-Organizing Map (Self-Organizing Map, SOM). The SOM organizes speakers for similarity degree in well-defined groups (clusters). Application of SOM in this context is therefore innovative. The SOM network is implemented in Matlab environment using the SOMtoolbox package, which is a set of programming routines developed by the research group in Finland, also the inventors of the SOM. The simulation results indicate that SOM might be used more frequently to assess the degree of distance that a group of learners is to the group of native speakers. Thus, a neural network might be used as a tool in the context of determining the level of foreign language proficiency.

Esse trabalho descreve o desenvolvimento de uma nova ferramenta quimioinformática designada de SISTEMATX que possibilitou a análise quimiotaxonômica da família Asteraceae, empregando novos parâmetros moleculares, bem como o estudo da relação quantitativa estrutura química atividade biológica de substâncias provenientes desse grupo vegetal. A família Asteraceae, uma das maiores entre as angiospermas, caracteriza-se quimicamente pela produção de sesquiterpenos lactonizados (SLs). Um total de 1111 (SLs), extraídos de 658 espécies, 161 gêneros, 63 subtribos e 15 tribos da família Asteraceae foram representados e cadastrados em duas dimensões no SISTEMATX e associados à respectiva origem botânica. A partir dessa codificação, o grau de oxidação e as estruturas em três dimensões de cada SL foram obtidos pelo sistema. Essas informações, associadas aos dados botânicos, foram exportadas para um arquivo texto, o qual permitiu a obtenção de vários tipos de descritores moleculares. Esses parâmetros moleculares foram correlacionados com o grau de oxidação médio por tribo e tiveram sua seleção realizada por regressão linear múltipla utilizando algoritmo genético. Equações com coeficientes estatísticos variando entre 0,725 ≤ r2 ≤ 0,981 e 0,647 ≤ Qcv2 ≤ 0,725 foram obtidas com apenas um descritor, possibilitando a identificação de algumas características estruturais relacionadas ao grau de oxidação. Não foi obtida nenhuma relação entre o grau de oxidação dos SL e a evolução das tribos da família Asteraceae. Os descritores moleculares também foram usados como dados de entrada para separar as ocorrências botânicas através de mapas auto-organizáveis (rede não supervisionada Kohonen). Os mapas gerados, com cada bloco de descritor, separaram as tribos da família Asteraceae com valores de índices de acerto total entre 66,7% e 83,6%. A análise desses resultados evidencia semelhanças entre as tribos Heliantheae, Helenieae, e Eupatorieae e, também, entre as tribos Anthemideae e Inuleae. Tais observações são coincidentes com as classificações sistemáticas propostas por Bremer, que utilizam principalmente dados morfológicos e, também, moleculares. A mesma abordagem foi utilizada para separar os ramos da tribo Heliantheae, segundo a classificação proposta por Stuessy, cuja separação é baseada no número de cromossomos das subtribos. Os mapas auto-organizáveis obtidos separam em duas regiões distintas os ramos A e C, com elevados índices de acerto total que variam entre 81,79% a 92,48%. Ambos os estudos demonstram que os descritores moleculares podem ser utilizados como uma ferramenta para classificação de táxons em níveis hierárquicos baixos, tais como tribos e subtribos. Adicionalmente, foi demonstrado que os marcadores químicos corroboram parcialmente com as classificações que empregam dados morfológicos e moleculares. Os descritores obtidos por fragmentos ou pela representação da estrutura dos SLs em duas dimensões foram suficientes para obtenção de resultados significativos, não sendo obtida melhora nos resultados com os descritores que utilizam a representação em três dimensões das estruturas. Paralelamente, um estudo adicional foi realizado relacionando a estrutura química, representada pelos mesmos descritores moleculares anteriormente mencionados, com a atividade citotóxica de 37 SLs frente às células tumorais da nasofaringe KB. Uma equação com índices estatísticos significativos (r2=0,826 e Qcv2=0,743) foi obtida. Os cinco descritores, selecionados a partir de uma equação estatisticamente mais significativa, representam uma descrição global de propriedades estéricas e características eletrônicas de cada molécula que auxiliaram na determinação de fragmentos estruturais importantes para a atividade citotóxica. Tal modelo permitiu verificar que os esqueletos carbônicos dos tipos guaianolídeo e pseudoguaianolídeo são encontrados nos SLs que apresentam maior atividade citotóxica. / This work describes the development of a new chemoinformatic tool named SISTEMATX that allowed the chemotaxonomic analysis of the Asteraceae family employing new molecular parameters, as well as the quantitative structure activity relationship study of compounds produced by this botanical group. The Asteraceae, one of the largest families among of angiosperms, is chemically characterized by the production of sesquiterpene lactones (SLs). A total of 1111 (SLs), extracted from 658 species, 161 genera, 63 subtribes and 15 tribes of the Asteraceae, were represented and registered in two dimensions in the SISTEMATX and associated with their botanical source. From this codification, the degree of oxidation and the structures in three dimensions of each SL were obtained by the system. These data linked with botanical origin were exported for a text file which allow the generation of several types of molecular descriptors. These molecular parameters were correlated with the average oxidation degree by tribe and were selected by multiple linear regressions using genetic algorithms. Equations with statistical coefficients varying between 0,725 ≤ r2 0,981 and 0,647 ≤ Qcv2 ≤ 0,725 were obtained with only one descriptor, making possible the identification of some structural characteristics related to the oxidation level. Any relationship between the degree of oxidation of SL and the tribes evolution of the family Asteraceae was not obtained. The molecular descriptors were also used as input data to separate the botanical occurrences through the self organizing-maps (unsupervised net Kohonen). The generated maps with each block descriptor, divide the Asteraceae tribes with total indexes values between 66,7% and 83,6%. The analysis of these results shows evident similarities among the Heliantheae, Helenieae and Eupatorieae tribes and, also, between the Anthemideae and Inuleae tribes. Those observations are in agreement with the systematic classifications proposed by Bremer, that use mainly morphologic and, also, molecular data. The same approach was utilized to separate the branches of the Heliantheae tribe, according to the Stuessys classification, whose division is based on the chromosome numbers of the subtribes. From the obtained self-organizing maps, two different areas (branches A and C) were separated with high hit indexes varying among 81,79% to 92,48%. Both studies demonstrate that the molecular descriptors can be used as a tool for taxon classification in low hierarchical levels such as tribes and subtribes. Additionally, was demonstrated that the chemical markers partially corroborate with the classifications that use morphologic and molecular data. Descriptors obtained by fragments or by the representation of the SL structures in two dimensions were sufficient to obtain significant results, and were not obtained better results with descriptors that utilize the structure representation in three dimensions. An additional study was accomplished relating the chemical structure, represented by the same molecular descriptors previously mentioned, with the cytotoxic activity of 37 SLs against tumoral cells derived from human carcinoma of the nasopharynx (KB). An equation with significant statistical indexes was obtained. The five descriptors, selected from the more statistical significant equation, shows a global description of sterical properties and electronic characteristics of each molecule that aid in the determination of important structural fragments for the cytotoxic activity. From the model can be verified that the carbon skeletons of the guaianolide and pseudoguaianolide types are encountered in the SLs that show the higher cytotoxic activity.

Os métodos de Aprendizagem por Reforço (AR) se mostram adequados para problemas de tomadas de decisões em diversos domínios por sua estrutura flexível e adaptável. Apesar de promissores, os métodos AR frequentemente tem seu campo de atuação prático restrito a problemas com espaço de estados de pequeno ou médio porte devido em muito à forma com que realizam a estimativa da função de avaliação. Nesta tese, uma nova abordagem de AR, denominada de Agente Topológico de Aprendizagem por Reforço (ATAR), inspirada em aprendizagem latente, é proposta para acelerar a aprendizagem por reforço através de um mecanismo alternativo de seleção dos pares estado-ação para atualização da estimativa da função de avaliação. A aprendizagem latente refere-se à aprendizagem animal que ocorre na ausência de reforço e que não é aparente até que um sinal de reforço seja percebido pelo agente. Este aprendizado faz com que um agente aprenda parcialmente uma tarefa mesmo antes que este receba qualquer sinal de reforço. Mapas Cognitivos são usualmente empregados para codificar a informação do ambiente em que o agente está imerso. Desta forma, o ATAR usa um mapa topológico, baseado em Mapas Auto-Organizáveis, para realizar as funções do mapa cognitivo e permitir um mecanismo simples de propagação das atualizações. O ATAR foi testado, em simulação, para planejamento de navegação de um robô móvel em ambientes inicialmente desconhecidos e não-estruturados. Comparações com outros seis algoritmos AR avaliaram comparativamente o desempenho do agente proposto na navegação. Os resultados obtidos são promissores e comparáveis com os algoritmos AR mais rápidos testados, alcançando em alguns ensaios desempenho superior aos dos demais algoritmos - principalmente nas simulações que consideram situações observadas em ambientes não-estruturados. Três características do ATAR original foram alteradas para tornar ainda mais viável sua aplicação prática: (i) mudanças no mapa topológico para reduzir o número de vértices, (ii) mudança na heurística usada na seleção das ações do agente e (iii) variações na estratégia de exploração do ATAR. Do ponto (i), foi proposto e implementado um novo mapa topológico, o Mapa Topológico Incremental Classificador MTIC, que a partir da classificação dos estados do ambiente gera os vértices de uma triangularização de Watson. O ponto (ii) criou um método aplicável a outros problemas de planejamento de trajetória em grafos denominado de Melhoria das trajetórias por detecção de ponto interior. O terceiro estudou estratégias direcionadas de exploração como uma opção para acelerar o aprendizado do ATAR. / Reinforcement Learning (RL) methods have shown to be a good choice for decision-making problems due to their flexible and adaptive characteristics. Despite such promising features, RL methods often have their practical application restricted to small or medium size (at state, or state-action, space) problems mainly because of their standard strategies for value function estimation. In this thesis, a new RL approach, called \"Topological Reinforcement Learning Agent\" - TRLA, is proposed to accelerate learning through an alternative mechanism to update the state-action value function. TRLA is inspired in latent learning, which refers to animal learning that occurs in the absence of reinforcements and that is not visible until an environmental reinforcement is perceived. This concept considers that part of a task can be learned even before the agent receives any indication of how to perform such a task. Cognitive Maps are usually used to encode information about the environment where the agent is immersed. Thus, the TRLA uses a topological map, based on Self-Organized Maps, to implement cognitive map functions and permit a new simple mechanism to execute the propagation of state-action updates. The chosen problem to test TRLA is the simulation of a mobile robot navigation in some initially unknown and unstructured environments. Performance comparisons of the TRLA with six other RL algorithms were carried out to the execution of the navigation task. The obtained results are very promising and comparable with some of faster RL algorithms simulated. In some experiments, the TRLA\'s performance overcomes the others especially in simulations with unstructured environments. Three characteristics of the original TRLA were modified to make it more suitable for real implementations: (i) changes in the topological map construction to reduce the vertices number, (ii) changes in the agents heuristic for action selection, and (iii) variations on the TRLAs strategy for exploration of the state-action space. In (i), a new procedure to construct topological maps was proposed and implemented, the Incremental Classifier Topological Map ICTM, which generates the vertices for a Watsons triangulation from the classification of the input states. In (ii), it was proposed a method to optimize trajectory planning problems based on graphs, denoted \"trajectory improvement from inner point detection\". The third point considers directed exploration strategies as an option for TRLA\'s learning acceleration.

No description available.

Traumatic brain injury is highly prevalent in the United States yet there is little understanding of how the brain responds during injurious loading. A confounding problem is that because testing conditions vary between assessment methods, brain biomechanics cannot be fully understood. Data mining techniques were applied to discover how changes in testing conditions affect the mechanical response of the brain. Data were gathered from literature sources and self-organizing maps were used to conduct a sensitivity analysis to rank considered parameters by importance. Fuzzy C-means clustering was applied to find any data patterns. The rankings and clustering for each data set varied, indicating that the strain rate and type of deformation influence the role of these parameters. Multivariate linear regression was applied to develop a model which can predict the mechanical response from different experimental conditions. Prediction of response depended primarily on strain rate, frequency, brain matter composition, and anatomical region.