Εφαρμογή νευρωνικού δικτύου για την μοντελοποίηση των δεδομένων που αφορούν τις πυρκαγιές των δασικών περιοχών
(EL)
Λεβέντης, Γεώργιος - Χρήστος
Σχολή Κοινωνικών Επιστημών. Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας. Πολιτισμική Πληροφορική.
(EL)
Μια νέα μέθοδος που συνδυάζει το συνηθισμένο διάνυσμα μάθησης κβαντισμού και την σταθμισμένη συσταδοποίηση εισόδου-εξόδου έχει αναπτυχθεί με σκοπό το σχεδιασμό νευρωνικών δικτύων ακτινικής βάσης (Radial Basis Function Neural Networks - RBFNN). H Διανυσματική Κβάντιση Μάθησης (Learning Vector Quantization - LVQ) εισάγεται, για να ενεργοποιηθεί η προ-επεξεργασία των δεδομένων εισόδου-εξόδου, που επιτρέπει την εξάλειψη όλων των περιττών πληροφοριών. Στη συνέχεια, τα ληφθέντα κέντρα των συστάδων θεωρούνται ως ένα νέο σύνολο δεδομένων, το οποίο συσταδοποιείται περαιτέρω μέσω της σταθμισμένης συσταδοποίησης εισόδου-εξόδου. Τα ληφθέντα κέντρα συστάδων συμπέφτουν με τα κέντρα των πυρήνων του προτεινόμενου RBF νευρωνικού δικτύου. Η μέθοδος της βελτιστοποίησης του σμήνους σωματιδίων (Particle Swarm Optimization - PSO) έχει χρησιμοποιηθεί για την εκτίμηση των κύριων ακτινικών παραμέτρων λειτουργίας βάσης, οι οποίες είναι τα πλάτη του RBF πυρήνα και τα βάρη διασύνδεσης μεταξύ των κρυφών κόμβων και του κόμβου εξόδου. Η σημαντική καινοτομία της εργασίας έγκειται στον τρόπο με τον οποίο χειριζόμαστε τις πληροφορίες της εκπαίδευσης δεδομένων εισόδου-εξόδου, προκειμένου να ερευνήσουμε τη σχέση μεταξύ της διαδικασίας συσταδοποίησης των συγκεκριμένων δεδομένων και του σφάλματος κβαντισμού εξόδου στο πλαίσιο ενός νευρωνικού δικτύου ακτινικής βάσης. Το παραγόμενο νευρωνικό δίκτυο ακτινικής βάσης συγκρίνεται με ένα αρχικό τυπικό νευρωνικό δίκτυο RBF, προκειμένου να αντισταθμίσει τον αριθμό των RBF πυρήνων και την ακρίβειά του. Τέλος, αποδεικνύουμε τις ικανότητες σχεδιασμού και την ακρίβεια της μοντελοποίησης της προτεινόμενης μεθόδου και αξιολογούμε την αποτελεσματικότητά της, μέσω της εφαρμογής της σε δεδομένα πυρκαγιών δασικών περιοχών, χρησιμοποιώντας την στατιστική μέθοδο 10-fold cross-validation.
A new method that combines ordinary learning vector quantization and weighted input-output clustering is developed in order to design Radial Basis Function (RBF) neural network. Batch Learning Vector Quantization (LVQ) is introduced to enable pre-processing of the input-output data which allows the elimination of all the redundant information. Then the obtained cluster centers are considered as a new data set which is further clustered by means of weighted input-output clustering. The obtained cluster centers are coincided with the centers of the RBF kernels of the proposed RBF neural network. The method of particle swarm optimization has been used for the estimation of the main radial basis function parameters: the RBF kernel widths and the interconnection weights between the hidden nodes and the output node. The major novelty of the contribution lies in the way we handle the input-output training data information in order to investigate the relationship between the clustering process of the input-output training data and the output quantization error in the context of an RBF neural network. The produced RBF neural network is compared with an initial classical RBF neural network in order to find the trade-off between the number of RBF kernels and the accuracy of the RBF neural network. Finally, we demonstrate the design capabilities and the modelling accuracy of the proposed method and evaluate its effectiveness through “Forest Fires” experiment using ten-fold cross-validation.
