Datenclustering mit Self Organizing Maps

Florian Ilgenfritz, Robert Freund

 
 
 

Universität Osnabrück, 17.7.2003

Wiederholung

Gewichteupdate



Lernrate

Charakterisiert Abstand zum Gewinnerneuron

  • Gewinnerneuron: Betaterm ist 1

Bestimmen des Gewinnerneurons

 
 
 
 
 
  • Multiplikation von Input- und Gewichtevektor
  • Differenz von Input- und Gewichtevektor

Beispiel 1: Buchstabenclustering

 
 
 
 
 
 
 
 
 
. # # # .
# . . . #
# . . . #
# # # # #
# . . . #
# . . . #
# . . . #
    
  • Kodierung der Buchstaben als 35-elementige Vektoren
  • 26 35-dimensionale, binäre Inputvektoren
 
 
0,1,1,1,0,1,0,0,0,1,1,0,0,0,1,1,1,1,1,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1
 

Clustering von Buchstaben - Beispiele

 
 
 
 
 

Beispiel 2: Themengruppen aus einer Linksammlung ("meiNetz")

 
 
 
  • Etwa 90 Themengruppen und 1500 Links
  • Themengruppen können mit Links verknüpft sein
  • Charakterisierung der einzelnen Themengruppen danach, mit welchen Links sie verknüpft sind
  • 90 1500-dimensionale, binäre Inputvektoren

Clustering von Themengruppen aus meiNetz - Beispiele

 
 
 
 

Beispiel 3: Clustering von Wahlkreisen der BRD

 
 
 
 

Clustering von Wahlkreisen der BRD - Beispiele

 
 
 
 

References

 

Sperschneider, V.: Neuronale Netze; Vorlesung im SS 2003 (Vorlesungsscript), Universität Osnabrück

 

Self-Organization in Ad Hoc Sensor Networks: An Empirical Study

 

http://www.cs.okstate.edu/~aa/week7.pdf