Return to search

Tiesinis neuroninių tinklų kombinavimas: duomenų balinimo operacijos poveikis tiesiniam neuroninio tinklo kombinavimui su įvairaus skirtingumo ekspertais / Linear neural network combination: the effect of data whitening in combination of neural networks based on different classifiers

Darbe apžvelgtos bazinės neuroninių tinklų savybės, architektūra ir kombinavimo metodikos. Atlikta neuroninių tinklų tiesinių kombinavimo metodų analizė. Palyginti skirtingi neuroninių tinklų diversiškumo matavimai ir pritaikyti eksperimente. Išnagrinėta duomenų balinimo transformacija ir jos taikymo galimybės neuroninių tinklų kontekste. Šio darbo tikslas – ištirti duomenų balinimo operacijos poveikį tiesinių kombinavimo metodų ir skirtingų ekspertų parinkimui, formuojant kokybiškesnį neuroninių tinklų kolektyvą. Pritaikytas naujas metodas blogos kokybės skirtingų ir geros kokybės panašių ekspertų klasifikatoriams sudaryti. Svarbiausios eksperimento išvados: -Balinimo transformacija taikoma pradiniams duomenims klasifikatorius padaro panašesnius. -Duomenų balinimo transformacijos taikymas ekspertų aibės atsakymams blogos kokybės skirtingus klasifikatorius padaro pranašesnius uţ geros kokybės vienodus klasifikatorius net iki 40%. / The purpose of this study was to research the effect of data whitening for different linear combination and diversity measure methods selection in context of building better classifier ensemble. In work main characteristics, architecture and combination methods of neural network were identified. Different linear combination methods and diversity measures were analyzed in context of data whitening. In experiment classifier quality effect of data whitening transformation was researched with different classifiers. The new method for designing bad quality different and good quality similar classifiers was constructed. Most important experiment conclusions: -Data whitening transformation applied for initial data vectors makes classifiers more similar. -Applying data whitening transformation for single classifier set answers makes bad quality different classifiers better than good quality similar classifiers in lower generalization error range up to 40%.

Identiferoai:union.ndltd.org:LABT_ETD/oai:elaba.lt:LT-eLABa-0001:E.02~2012~D_20140704_174902-97296
Date04 July 2014
CreatorsGruodis, Šarūnas
ContributorsJaneliūnas, Arūnas, Vilnius University
PublisherLithuanian Academic Libraries Network (LABT), Vilnius University
Source SetsLithuanian ETD submission system
LanguageLithuanian
Detected LanguageUnknown
TypeMaster thesis
Formatapplication/pdf
Sourcehttp://vddb.library.lt/obj/LT-eLABa-0001:E.02~2012~D_20140704_174902-97296
RightsUnrestricted

Page generated in 0.0021 seconds