Другие журналы
|
электронный журналМОЛОДЕЖНЫЙ НАУЧНО-ТЕХНИЧЕСКИЙ ВЕСТНИКИздатель Академия инженерных наук им. А.М. Прохорова. Эл No. ФС77-51038. ISSN 2307-0609
Анализ данных на основе алгоритмов класса SOINN
Молодежный научно-технический вестник # 04, апрель 2015 УДК: 004.67
Файл статьи:
Федоренко Ю.С..pdf
(682.04Кб)
1. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности / под ред. С. А. Айвазяна. Справ. изд. М.: Финансы и статистика, 1989. 608 с. 2. Лабунец Л. В., Лабунец Н. Л., Чижов М. Ю. Рекуррентные статистики нестационарных временных рядов // Радиотехника и электроника. 2011. № 12. С. 1468-1489. 3. Воронцов К. В. Математические методы обучения по прецедентам: курс лекций, 2013 г. Режим доступа: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения 07.03.15). 4. Gutierrez-Osuna R. L7: Kernel density estimation. Available at: http://research.cs.tamu.edu/prism/lectures/pr/pr_l7.pdf, accessed 07.03.15. 5. Дуда Р., Харт П. Распознавание образов и анализ сцен: пер. с англ. Г. Г. Вайнштейна, А. М. Васьковского / под ред. В. Л. Стефанюка. М.: Мир, Москва, 1976. 509 с. [Duda R., Hart P. Pattern classification and scene analysis. Stanford Research Institute, Menlo Park, California, 1973. 509 p.]. 6. Hasegawa O. SOINN: An Artificial Brain, 2014. Available at: http://watanabe-www.math.dis.titech.ac.jp/syllabus/atmis/Hasegawa(atmis)1.pdf, accessed 07.03.15. 7. Воронцов К. В. Статистические (байесовские) методы классификации, 2013. Режим доступа: http://www.machinelearning.ru/wiki/images/9/98/Voron-ML-Bayes-slides.pdf (дата обращения 07.03.15). 8. Xiao X., Zhang H., Hasegawa O. Density Estimation Method Based on Self-Organizing Incremental Neural Network and Error Estimation // The Neural Information Processing: 20th International Conference, ICONIP 2013: proceedings. Daegu, Korea, 2013. P. 43-50. 9. Furao S., Hasegawa O. An incremental network for on-line unsupervised classification and topology learning // Neural Networks. 2005. № 4. P. 1-17. 10. Furao S., Ogura T., Hasegawa O. An enhanced self-organizing incremental neural network for online unsupervised learning // Neural Networks. 2007. № 6. P. 893-903. 11. Stijn Van Dongen, Cei Abreu-Goodger.Using MCL to extract clusters from networks. Bacterial Molecular Networks: Methods and Protocols, Methods in Molecular Biology. Vol. 804. Humana Press, Totowa, New Jersey, USA, 2012. P. 181–195. 12. Федоренко Ю. С. Кластеризация данных на основе нейронного газа и марковских алгоритмов // Молодежный научно-технический вестник. МГТУ им. Н. Э. Баумана. Электрон. журн. 2014. № 8. Режим доступа: http://sntbul.bmstu.ru/doc/730611.html (дата обращения 07.03.15). 13. Franti P., Virmajoki O. Iterative shrinking method for clustering problems // Pattern recognition. 2006. № 5. P.761-784. 14. Jain A., Law M. Data clustering: a user’s dilemma // Lecture Notes in Computer Science. 2005. Vol. 3776. P. 1-10. 15. Gionis A., Mannila H., Tsaparas P. Clustering aggregation // ACM Transactions of Knowledge Discovery from Data. 2007. № 1. P. 1-30. Публикации с ключевыми словами: кластеризация, интеллектуальный анализ данных, марковский алгоритм кластеризации, самоорганизующиеся растущие нейронные сети, ядерная оценка плотности распределения, онлайновое обучение без учителя, представление топологии данных Публикации со словами: кластеризация, интеллектуальный анализ данных, марковский алгоритм кластеризации, самоорганизующиеся растущие нейронные сети, ядерная оценка плотности распределения, онлайновое обучение без учителя, представление топологии данных Смотри также: Тематические рубрики: Поделиться:
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|