Cluster analysis using self-organizing maps and image processing techniques

Costa, José Alfredo Ferreira; Netto, Márcio Luiz de Andrade

doi:10.1109/icsmc.1999.815577

Cited by 16 publications

(18 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O resultado da aplicação deste conjunto de dados em um mapa 2-D foi apresentada em Costa & Netto [17]. Apesar do resultado em 2-D ser suficiente para este problema, onde os dados estão no ℜ 3 , a motivação para o uso desta base com um SOM com espaço de saída 3-D é ilustrativa, no sentido de tentar entender a adequação do mapa a problemas em que não há redução de dimensionalidade, e a topologia pode efetivamente ser preservada.…”

Section: Exemplo De Segmentação De Mapas Com Dimensão Superior Aunclassified

“…No caso bidimensional, a deformação da rede 2-D apenas simula tal fechamento. Vale ressaltar que métodos como o K-means ou o baseado em misturas de densidades Gaussianas foram incapazes de resolver este problema, particionando o conjunto de dados por hiperplanos (no caso do K-means) e superfícies quadráticas (maiores detalhes em [1,4,5,17]. …”

Section: Figura 6: U-array Relativo à Rede Mostrada Na Fig9 (Forma 3-d)unclassified

“…A principal contribuição deste artigo é mostrar que os métodos de análise de dados utilizando o SOM [1,4,[5][6][7]9,17] podem ser estendidos para redes com espaços de saída com dimensão maior que 2. Atualmente grande parte das aplicações e do uso dos mapas de Kohonen usam espaços de saída bidimensionais porque a principal função é a visualização do mapeamento do espaço original (de elevada dimensão) no display ou conjunto de neurônios da rede.…”

Section: Conclusõesunclassified

See 2 more Smart Citations

U-array: Extensão da U-matrix para Mapas Auto-Organizáveis com Espaço de Saída 3-D

Costa¹,

Netto²

2016

Anais Do 7. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

show abstract

Section: Exemplo De Segmentação De Mapas Com Dimensão Superior Aunclassified

Section: Figura 6: U-array Relativo à Rede Mostrada Na Fig9 (Forma 3-d)unclassified

Section: Conclusõesunclassified

See 1 more Smart Citation

U-array: Extensão da U-matrix para Mapas Auto-Organizáveis com Espaço de Saída 3-D

Costa¹,

Netto²

2016

Anais Do 7. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

show abstract

“…O resultado da aplicação deste conjunto de dados em um mapa 2D foi apresentada em Costa & Netto (1999b). Apesar do resultado em 2D ser suficiente para este problema, onde os dados estão no 3 , a motivação para o uso desta base com uma rede SOM com espaço de saída 3D é ilustrativa, no sentido de tentar entender a adequação do mapa a problemas em que não há redução de dimensionalidade, e a topologia pode efetivamente ser preservada.…”

Section: Exemplo De Segmentação De Ma-pas Espaço De Saída 3-dunclassified

Segmentação de mapas auto-organizáveis com espaço de saída 3-D

Costa

Netto

2007

Sba Controle & Automação

View full text Add to dashboard Cite

O mapa de Kohonen (SOM) tem sido utilizado como ferramenta para visualização de dados de elevada dimensionalidade. Características importantes da rede SOM incluem a compressão de informação e a tentativa de manutenção da topologia dos dados. Dados similares no espaço de entrada deveriam ser mapeados no mesmo neurônio, ou em neurônios vizinhos. Uma das ferramentas de visualização de um mapa 2-D treinado é U-matrix, que apresenta as relações de distância de pesos entre neurônios vizinhos do espaço de saída. A suposição de preservação topológica não é verdade em muitos problemas envolvendo redução de dimensionalidade. Com a automação da detecção de agrupamentos na rede SOM espaços de saída maiores podem ser utilizados em problemas envolvendo a descoberta de classes em dados multidimensionais. Mostra-se a ocorrência de erros topológicos em um exemplo simples de agrupamentos de dados 2-D em um mapa com saída 1-D. Este artigo apresenta uma extensão da U-matrix, o U-array, para espaços de saída maior que 2-D e sua aplicação em conjunto com o algoritmo SL-SOM, que possibilita a detecção do número e o geometria das classes em mapas treinados. Todo o processo é não-supervisionado. A vantagem de trabalhar com dimensões mais elevadas no espaço de saída é a melhor preservação da topologia em problemas de análise automática de dados. Apresenta-se um exemplo de uso de descoberta de classes de dados não linearmente separáveis.

show abstract

“…The need to acquire knowledge or learn from the excessive amount of data is hence a major driving force for making clustering a highly active research subject. Data clustering is applied to a variety of problem domains such as biology (Jiang et al, 2004), customer relationship management (Wu et al, 2005), information retrieval (Bhatia and Deogun, 1998;Zhang et al, 2002), image processing (Costa and de Andrade Netto, 1999), and recommender systems (Kim and Ahn, 2008). In addition, the recent development of clustering cancer gene expression data has attracted a lot of interests amongst computer scientists, biological and clinical researchers (Iam-On et al, 2010;Kim et al, 2009).…”

Section: Introductionmentioning

confidence: 99%

A new link-based method to ensemble clustering and cancer microarray data analysis

Iam-On

Boongoen²,

Kongkotchawan³

2014

IJCI

View full text Add to dashboard Cite

Ensemble clustering or cluster ensembles have been shown to be better than any standard clustering algorithm at improving accuracy. This meta-learning formalism helps users to overcome the dilemma of selecting an appropriate technique and the parameters for that technique, given a set of data. It has proven effective for many problem domains, especially microarray data analysis. Among different state-of-the-art methods, the link-based approach (LCE) recently introduced by Iam-On et al. (2011) provides a highly accurate clustering. This paper presents the improvement of LCE with a new link-based metric being developed and engaged. Additional information that is already available in a network is included in the similarity assessment. As such, this refinement can increase the quality of the measures, hence the resulting cluster decision. The performance of this improved LCE is evaluated on synthetic and UCI benchmark datasets, in comparison with the original and several well-known cluster ensemble techniques. In addition, the application of improved LCE to microarray data analysis is also empirically assessed. The findings suggest that the new model can improve the accuracy of LCE and performs better than the others investigated in this study.

show abstract

Cluster analysis using self-organizing maps and image processing techniques

Cited by 16 publications

References 12 publications

U-array: Extensão da U-matrix para Mapas Auto-Organizáveis com Espaço de Saída 3-D

U-array: Extensão da U-matrix para Mapas Auto-Organizáveis com Espaço de Saída 3-D

Segmentação de mapas auto-organizáveis com espaço de saída 3-D

A new link-based method to ensemble clustering and cancer microarray data analysis

Contact Info

Product

Resources

About