Dynamisches unüberwachtes Feed Forward Neural Netzwerk Clusterung

Künstliche neuronale Netze sind von der Neurobiologie inspirierte Berechnungsmodelle zur Verbesserung und Erprobung rechnerischer Analogien von Neuronen. In einem neuronalen Feedforward-Netz (FFNN) erfolgt die Datenverarbeitung in nur einer Vorwärtsverbindung von der Eingabeschicht zur Ausgabeschicht ohne Rückwärtsschleife. Unüberwachtes FFNN (UFFNN) Clustering verfügt über großartige Fähigkeiten wie inhärente verteilte parallele Verarbeitungsarchitekturen, Anpassung der Verbindungsgewichte zum Erlernen und Einteilen von Daten in sinnvolle Gruppen mit speziellen Zielen, Klassifizierung verwandter Daten in ähnliche Gruppen ohne Verwendung eines Klassenlabels, Kontrolle verrauschter Daten und Erlernen der Arten von Eingabedatenwerten basierend auf ihren Gewichten und Eigenschaften. Im Allgemeinen sind dynamische Daten in realen Umgebungen sehr umfangreich und dimensional, daher sollten die dynamischen Online-UFFNN-Clustering-Methoden entwickelt werden, um eine inkrementelle Online-Lernfähigkeit zu haben.

Autorentext

Roya Asadi erwarb den Bachelor-Abschluss in Computer Software Engineering an der Shahid Beheshti University und bei DPIran Co. (IBM), Teheran, Iran. Außerdem erwarb sie einen Master of Computer Science (CS) in Datenbanksystemen an der UPM-Universität und einen Doktortitel in CS in Künstlicher Intelligenz (Neuronales Netzwerk) an der UM-Universität in Malaysia.