Title: Feature space mapping neurofuzzy system

  • Objective: Rozwinąć teorie i zastosowania sieci FSM opartej na estymacji gęstości
  • Participants: Rafal Adamczak, Włodzisław Duch, Norbert Jankowski
  • Dates: From 1994 - present
  • Result(s):
    1. Duch W, Adamczak R, Jankowski N, New developments in the Feature Space Mapping model, Third Conference on Neural Networks and Their Applications, Kule, October 1997 (submitted)
    2. Duch W, Adamczak R, Jankowski N, Initialization of adaptive parameters in density networks, Third Conference on Neural Networks and Their Applications, Kule, October 1997 (submitted)
    3. Duch W and Adamczak R (1996) Feature Space Mapping network for classification. Proceedings of the Second Conference on Neural Networks and their applications, Orle Gniazdo, 30.IV-4.V.1996, pp. 125--130
    4. Duch W (1996) From cognitive models to neurofuzzy systems - the mind space approach, Systems Analysis-Modelling-Simulation 24 (1996) 53-65
    5. Duch W, Jankowski N, Naud A, Adamczak R (1995) Feature Space Mapping: a neurofuzzy network for system identification, Proc. of. Engineering Applications of Neural Networks (EANN'95), Helsinki 21-23.08.1995, pp.221-224
    6. Duch W and Diercksen GHF (1995) Feature Space Mapping as a universal adaptive system, Computer Physics Communications 87: 341-371
    7. Duch W (1994) Floating Gaussian Mapping: a new model of adaptive systems, Neural Network World 4:645-654
    8. Duch W (1993) Floating Gaussian Mapping for Modeling of Human Conceptual Space, UMK-KMK-TR 3/93 report
    9. Many talks and a few other papers
  • Problems:
  • 1). Dobudować mozliwość użycia obróconych klasterow. Kąty nachylenia klasterow podczas uczenia ulegają modyfikacji, ale używanym tylko N-1 parametrów w N-wymiarach. Poczatkowe kąty obrotu wyznaczone są podczas wstepnej inicjalizacji. Skuteczność uczenia bez optymalizacji parametrów obrotu, tylko z sztywnymi kątami, sprawdzana w projekcie dotyczącym inicjalizacji.

    2). Przetestować kilka wariantów uczenia rozmycia. Ostatnio wykryte zostalo ze od czasu do czasu (niezbyt czesto) podczas uczenia niektore cechy za bardzo sie rozmywaja, najprawdopodobniej jest to wynikiem zbyt duzego rozmywania podczas uczenia. Po modyfikacji ten blad juz sie nie pojawia, ale za to powstaje troche wiecej wezlow.

    3). Porównać z metodą probabilistyczną - Tarassenko-Roberts (1994)

    4) Jakie mamy wyniki klasyfikacji przez sieć jeśli użyć funkcji kary dla wyciągania reguł? Powinny być nie gorsze niż z samych reguł! Sprawdzić.

  • Working log (local accsess only)