Literatur:
Allgemein
-
A.Baraldi, P.Blonda, A survey of fuzzy clustering algorithms
for pattern recognition, ICSI-TR-98-038, International Computer Science Institute,
Berkeley, California, 1998
-
R.O.Duda, P.E.Hart, D.G.Stork, Pattern classification, Wiley
-
B.Fritzke, Vektorbasierte Neuronale Netze,
Shaker, 1998
-
J.A.Hartigan, Clustering Algorithms, Wiley
-
F.Hoeppner, F.Klawonn, R.Kruse, Th.Runkler, Fuzzy cluster analysis : methods for classification, data analysis and image recognition, Wiley
-
T.Kohonen, Self-Organizing Maps, Springer
-
B.D.Ripley, Pattern recognition and neural networks, Cambridge Univ.Press
-
H.Ritter, Th.Martinetz, K.Schulten, Neural computation and self-organizing maps : an introduction,
Addison-Wesley
Spezielles
- SOMs:
SOM ohne Nachbarschaft ist Vektorquantisierung!
prinzipielle Self Organizing Map mit Beschreibung des
Programmpakets
von Kohonen
SOMs für Texte
GHSOM,
wachsende (growing) und hierarchische SOM
HSOM,
die SOM mit exponentieller Nachbarschaft
(H wie hyperbolisch oder Helge :-)
RSOM, rekurrente SOM, z.B. für
Zeitreihen
softe offline SOM
growing grid (wachsender NG) für nichtstationäre Daten
-
NG,
Alternative zu SOM mit Daten-angepaßtem Gitter:
(effizienterer, nicht original) Neural Gas,
- LVQ:
Learning Vector Quantization von Kohonen inklusive Beschreibung
seines Programmpakets
LVQ für Sprache
GAs für den LVQ
-
Mulit-purpose erweiterbares
Software-Tool mit Neuro und Satistik ist der Helge Ritter's
NEO
-
k-means
k-means + variable Prototypanzahl ist ISODATA, für
den es fertige Implementierungen gibt
-
fuzzy:
fuzzy k-means,
Variationen gibt's z.B. von Gath-Geva, Gutsafson/Kessel im Buch
von Höppner et.al.
Vergleich mit crispem Clustering
Anwendung in der Bioinformatik
Regelextraktion
- Entscheidungbäume:
J.R.Quinlan, C4.5: programs for machine learning, Morgan Kaufmann
Online Publikationen und Code kann man auf der
Homepage von Quinlan finden
-
Clustern durch eine Population
-
Binäre Klassifikatoren für k-Klassen
back