Download Luận văn: KANTS - Hệ kiến tạo cho phân lớp
1. Mở đầu
Phân lớp mẫu là bài toán thường gặp nhất trong nhận dạng mẫu và phân thành hai loại có giám sát và không có giám sát. Trong bài toán phân lớp có giám sát, dựa trên một tập dữ liệu đã được gán nhãn, người ta xây dựng một bộ phân lớp để gán nhãn cho các dữ liệu chưa biết. Còn trong bài toán không giám sát, người ta phân một tập dữ liệu chưa được gán nhãn thành các các tập con sao cho các đối tượng dữ liệu trong mỗi tập con thì có đặc tính giống nhau hơn so với đối tượng ở các tập con khác
2. Nội dung
2.1 Bài toán phân lớp và một số phương pháp tiếp cận
Phát biểu bài toán phân lớp
Mạng neural nhân tạo
Phương pháp k láng giềng gần nhất
2.2 Bản đồ tự tổ chức
Giới thiệu
Thuật toán
Phân tích
2.3 Kants – hệ kiến nhân tạo cho phân lớp
Giới thiệu
Các khái niệm mở đầu
Mô hình kiến tự tổ chức
2.4 Kết quả thực nghiệm
Xây dựng chương trình kiểm thử
Chuẩn bị dữ liệu kiểm tra
Sự phụ thuộc chất lượng thuật toán vào các tham số
Mở rộng của KANTS
3. Kết luận
Khóa luận này đã trình bày thuật toán KohonAnts (hay còn gọi là KANTS), một phương pháp mới cho việc phân lớp dữ liệu, dựa trên sự kết hợp giữa các thuật toán kiến và bản đồ tự tổ chức của Kohonen. Mô hình này đưa các mẫu dữ liệu n-biến vào trong các con kiến nhân tạo trong lưới xuyến 2D với các vector n-chiều. Dữ liệu/kiến được di chuyển trên lưới để tạo ra sự khác biệt về mặt dữ liệu, từ đó các cụm được hình thành. Quá trình di chuyển của các con kiến dần dần sẽ tạo ra độ mịn của lưới. Khi lưới đủ ổn định, các con kiến có thể dừng và ta tiến hành gán nhãn cho các ô trên lưới
4. Tài liệu tham khảo
KohonAnts: A Self-Organizing Ant Algorithm for Clustering and Pattern Classification: C. Fernandes1,2, A.M. Mora2, J.J. Merelo2, V. Ramos1,J.L.J. Laredo
KANTS: Artificial Ant System for classification: C. Fernandes1,2, A.M. Mora2, J.J. Merelo2, V. Ramos1,J.L.J. Laredo
Self-organizing maps: http://en.wikipedia.org/wiki/Self-organizing_map
Ensemble learning: http://en.wikipedia.org/wiki/Ensemble_learning
K-nearest neibourds algorithm: http://www.scholarpedia.org/article/K