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