Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации

Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации

Работа посвящена разработке нового алгоритма для обучения без учителя и кластеризации. Предлагаемый алгоритм основан на псевдоинверсной нейронной ассоциативной памяти. Используя методы римановой геометрии, мы строим процедуру обобщенного усреднения на пространстве проекционных матриц постоянного ран...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2004
Автор: Новицкий, Д.В.
Формат: Стаття
Мова:Russian
Опубліковано: Інститут проблем математичних машин і систем НАН України 2004
Назва видання:Математичні машини і системи
Теми:
Обчислювальні системи
Онлайн доступ:http://dspace.nbuv.gov.ua/handle/123456789/83929
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации / Д.В. Новицкий // Мат. машини і системи. — 2004. — № 4. — С. 29-36. — Бібліогр.: 9 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id irk-123456789-83929
record_format dspace
spelling irk-123456789-839292015-06-29T03:02:09Z Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации Новицкий, Д.В. Обчислювальні системи Работа посвящена разработке нового алгоритма для обучения без учителя и кластеризации. Предлагаемый алгоритм основан на псевдоинверсной нейронной ассоциативной памяти. Используя методы римановой геометрии, мы строим процедуру обобщенного усреднения на пространстве проекционных матриц постоянного ранга – это пространство изоморфно многообразию Грассмана. Данная процедура позволяет наделить неитеративные парадигмы нейронной ассоциативной памяти способностью к обобщению данных. В статье проводятся экспериментальные результаты для модельных данных, а так же рукописных цифр из базы данных MNIST. Робота присвячена розробці нового алгоритму для навчання без учителя й кластеризації. Запропонований алгоритм базується на псевдоінверсній нейронній асоціативній пам'яті. Використовуючи методи ріманової геометрії, ми будуємо процедуру узагальненого усереднення на просторі проекційних матриць постійного рангу – цей простір ізоморфний багатовиду Грассмана. Така процедура дозволяє наділити неітеративні парадигми нейронної асоціативної пам'яті здатністю до узагальнення даних. У статті наведено експериментальні результати для модельних даних, а так само рукописних цифр із бази даних MNІST. This paper is dedicated to the new algorithm for unsupervised learning and clustering. This algorithm is based on Hopfield-type pseudoinverse associative memory. Using methods of Riemannian geometry we establish the procedure of generalized averaging on the space of projective matrices of fixed rank: this space is isomorphic to the Grassmann manifold. This procedure enables us to endow the associative memory with ability of data generalization. In the paper we provide experimental testing for the algorithm using simulated random data and images from the MNIST database (handwritten digits). 2004 Article Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации / Д.В. Новицкий // Мат. машини і системи. — 2004. — № 4. — С. 29-36. — Бібліогр.: 9 назв. — рос. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/83929 681.5 ru Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
language Russian
topic Обчислювальні системи
Обчислювальні системи
spellingShingle Обчислювальні системи
Обчислювальні системи
Новицкий, Д.В.
Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
Математичні машини і системи
description Работа посвящена разработке нового алгоритма для обучения без учителя и кластеризации. Предлагаемый алгоритм основан на псевдоинверсной нейронной ассоциативной памяти. Используя методы римановой геометрии, мы строим процедуру обобщенного усреднения на пространстве проекционных матриц постоянного ранга – это пространство изоморфно многообразию Грассмана. Данная процедура позволяет наделить неитеративные парадигмы нейронной ассоциативной памяти способностью к обобщению данных. В статье проводятся экспериментальные результаты для модельных данных, а так же рукописных цифр из базы данных MNIST.
format Article
author Новицкий, Д.В.
author_facet Новицкий, Д.В.
author_sort Новицкий, Д.В.
title Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
title_short Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
title_full Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
title_fullStr Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
title_full_unstemmed Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
title_sort геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации
publisher Інститут проблем математичних машин і систем НАН України
publishDate 2004
topic_facet Обчислювальні системи
url http://dspace.nbuv.gov.ua/handle/123456789/83929
citation_txt Геометрические методы в теории нейронной ассоциативной памяти: опыт разработки алгоритма кластеризации / Д.В. Новицкий // Мат. машини і системи. — 2004. — № 4. — С. 29-36. — Бібліогр.: 9 назв. — рос.
series Математичні машини і системи
work_keys_str_mv AT novickijdv geometričeskiemetodyvteoriinejronnojassociativnojpamâtiopytrazrabotkialgoritmaklasterizacii
first_indexed 2023-10-18T19:27:49Z
last_indexed 2023-10-18T19:27:49Z
_version_ 1796147026636832768

Схожі ресурси