Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
International Journal of Machine Learning and Cybernetics
Erschienen in: International Journal of Machine Learning and Cybernetics 3/2012

01.09.2012 | Original Article

Improving pattern discovery and visualisation with self-adaptive neural networks through data transformations

verfasst von: Huiru Zheng, Haiying Wang

Erschienen in: International Journal of Machine Learning and Cybernetics | Ausgabe 3/2012

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The ability to reveal the relevant patterns in an intuitively attractive way through incremental learning makes self-adaptive neural networks (SANNs) a power tool to support pattern discovery and visualisation. Based on the combination of the information related to both the shape and magnitude of the data, this paper introduces a SANN, which implements new similarity matching criteria and error accumulation strategies for network growth. It was tested on two datasets including a real biological gene expression dataset. The results obtained have demonstrated several significant features exhibited by the proposed SANN model for improving pattern discovery and visualisation.
Nächster Artikel Fuzzy random bilevel linear programming through expectation optimization using possibility and necessity

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Wang JTL, Shapiro BA, Shasha D (1999) Pattern discovery in biomolecular data: tools, techniques, and applications. Oxford University Press, New York
2.
Shalizi CR, Crutchfield JP (2000) Pattern discovery and computational mechanics, Santa Fe Insitute Working Paper 00-01-008, Available at: arXiv.org/abs/cs.LG/0001027
3.
Pleasance ED, Jones SJM (2005) Evaluation of SAGE tags for Ttranscriptome study. In: Wang SM (ed) SAGE: current technologies and applications, Horizon Scientific Press, Norwich, pp 1–27
4.
Polyak K, Riggins GJ (2001) Gene discovery using the serial analysis of gene expression technique: implications for cancer research. J Clin Oncol 19(11):2948–2958
5.
Brodlie KW, Carpenter LA, Earnshaw RA, Gallop JR, Hubbard RJ, Mumford AM, Osland CD, Quarendon P (eds) (1992) Scientific visualisation, techniques and applications, Springer, New York
6.
Grinstein GG, Ward MO (2002) Introduction to data visualisation. In: Fayyad U, Grinstein GG, Wierse A (eds) Information visualisation in data mining and knowledge discovery, Morgan Kaufmann Publishers, San Francisco, pp 21–45
7.
Wang HY (2004) Self-Adaptive Neural Network Approaches to Discovering, Visualising and Classifying Patterns in Semi-Structured and Structured Biomedical Data, PhD thesis, University of Ulster
8.
Rezende S, Taborelli R, Félix L, Rocha A (1998) Visualisation for knowledge discovery in databases. In: Proceedings of the International Conference on Data Mining (ICDM’98), Rio de Janeiro, Brasil
9.
10.
11.
Alahakoon D, Halgamuge SK, Srinivasan B (2000) Dynamic self-organising maps with controlled growth for knowledge discovery. IEEE Trans Neural Networks 11(3):601–614CrossRef
12.
Wang H, Azuaje F, Black N (2004) An integrated and interactive framework for improving biomedical pattern discovery and visualization. IEEE Trans Inform Technol Biomed 8(1):16–27CrossRef
13.
Fritzke B (1994) Growing cell structure–a self-organising network for unsupervised and supervised learning. Neural Netw 7:1441–1460CrossRef
14.
Herrero J, Valencia A, Dopazo J (2001) A hierarchical unsupervised growing neural network for clustering gene expression patterns. Bioinformatics 17:126–136CrossRef
15.
Kim K, Zhang S, Jiang K, Cai L, Lee I, Feldman L, Huang H (2007) Measuring similarities between gene expression profiles through new data transformations. BMC Bioinform 8:29
16.
Zheng H, Wang H, Azuaje F (2008) Improving pattern discovery and visualization of SAGE data through poisson-based self-adaptive neural networks, IEEE Trans Inform Technol Biomed 12(4), pp 459–469
17.
Tamayo P, Slonim D, Mesirov J, Zhu Q, Kitareewan S, Dmitrovsky E, Lander E, Golub T (1999) Interpreting patterns of gene expression with self-organising maps: methods and application to hematopoietic differentiation. In: Proc Natl Acad Sci USA 96:2907–2912
18.
Fisher RA (1936) The use of multiple measurements in taxonomic problems. Annals of Eugenics VII:179–188
19.
Blackshaw S, Harpavat S, Trimarchi J, Cai L, Huang H, Kuo W, Lee K, Fraioli R, Cho S, Yung R, Asch E, Wong W, Ohno-Machado L, Weber G, Cepko CL (2004) Genomic analysis of mouse retinal development. PLoS Biol 2(9)
20.
Cai L, Huang H, Blackshaw S, Liu JS, Cepko C, Wong W (2004) Clustering analysis of SAGE data: a Poisson approach. Genome Biol 5:R51
21.
Tavazoie S, Hughes JD, Campbell MJ, Cho RJ, Church GM (1999) “Systematic determination of genetic network architecture.” Nat Genet 22:281–285
22.
Reed R (1993) “Pruning algorithms—a survey”. IEEE Trans Neural Netw 4(5):740–747CrossRef
23.
Velculescu VE, Zhang L, Vogelstein B, Kinzler KW (1997) “Serial analysis of gene expression”. Science 276:1268–1272CrossRef
24.
Grossberg S (1976) “Adaptive pattern classification and universal recoding: I. parallel development and coding of neural feature detectors”. Biol Cybern 23:121–134MathSciNetMATHCrossRef
Metadaten
Titel
Improving pattern discovery and visualisation with self-adaptive neural networks through data transformations
verfasst von
Huiru Zheng
Haiying Wang
Publikationsdatum
01.09.2012
Verlag
Springer-Verlag
Erschienen in
International Journal of Machine Learning and Cybernetics / Ausgabe 3/2012
Print ISSN: 1868-8071
Elektronische ISSN: 1868-808X
DOI
https://doi.org/10.1007/s13042-011-0050-z

Weitere Artikel der Ausgabe 3/2012

International Journal of Machine Learning and Cybernetics 3/2012 Zur Ausgabe

Original Article

On multigranulation rough sets in incomplete information system

Original Article

A vision-based intelligent inspector for wine production

Original Article

Classification rule discovery using learning automata

Original Article

Visual tracking of the millennium development goals with a fuzzified self-organizing neural network

Original Article

Structural vibration suppression by using neural classifier with genetic algorithm

Original Article

A novel semisupervised SVM for pixel classification of remote sensing imagery

Neuer Inhalt

    Bildnachweise