Dynamisches unüberwachtes Feed Forward Neural Netzwerk Clusterung

Les réseaux de neurones artificiels sont des modèles de calcul inspirés de la neurobiologie, conçus pour améliorer et tester des analogies computationnelles des neurones. Dans un réseau de neurones à propagation avant (FFNN), le traitement des données se fait uniquement par une connexion avant de la couche d'entrée à la couche de sortie, sans boucle de rétroaction. Le clustering FFNN non supervisé (UFFNN) possède d'excellentes capacités telles que des architectures de traitement parallèle distribuées inhérentes, l'ajustement des poids de connexion pour apprendre et regrouper les données en catégories significatives avec des objectifs spécifiques, la classification de données connexes en groupes similaires sans utiliser d'étiquette de classe, le contrôle des données bruitées et l'apprentissage des types de valeurs de données d'entrée en fonction de leurs poids et propriétés. En général, les données dynamiques dans des environnements réels sont très volumineuses et dimensionnelles, c'est pourquoi des méthodes de clustering UFFNN en ligne dynamiques devraient être développées pour avoir une capacité d'apprentissage en ligne incrémentale.