Optimization of BOW Using Self Organizing Map Artificial Neural Network in Similar Images Retrieval Systems

2013 ◽  
pp. 330-339 ◽  
Author(s):  
Zied Elleuch ◽  
Kirmene Marzouki
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Self Organizing Map ◽  
Retrieval Systems ◽  
Similar Images ◽  
Artificial Neural ◽  
Self Organizing

scholarly journals Self-Organizing and Error Driven (SOED) artificial neural network for smarter classifications

2017 ◽  
Vol 4 (4) ◽  
pp. 282-304 ◽  
Author(s):  
Ruholla Jafari-Marandi ◽  
Mojtaba Khanzadeh ◽  
Brian K. Smith ◽  
Linkan Bian
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Styles ◽  
Health Care Systems ◽  
Self Organizing Map ◽  
Care Systems ◽  
Classification Tasks ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Self Organizing

Abstract Classification tasks are an integral part of science, industry, business, and health care systems; being such a pervasive technique, its smallest improvement is valuable. Artificial Neural Network (ANN) is one of the strongest techniques used in many disciplines for classification. The ANN technique suffers from drawbacks such as intransparency in spite of its high prediction power. In this paper, motivated by learning styles in human brains, ANN's shortcomings are assuaged and its prediction power is improved. Self-Organizing Map (SOM), an ANN variation which has strong unsupervised power, and Feedforward ANN, traditionally used for classification tasks, are hybridized to solidify their benefits and help remove their limitations. The proposed method, which we name Self-Organizing Error-Driven (SOED) Artificial Neural Network, shows significant improvements in comparison with usual ANNs. We show SOED is a more accurate, more reliable, and more transparent technique through experimentation with five different datasets. Highlights A synthesis of MLP and SOM is presented for tackling classification challenges. The superiority of SOED over MLP in addressing 5 classification tasks is presented. SOED is compared with other states of the art techniques such as DT, KNN, and SVM. It is shown that SOED is a more accurate and reliable in comparison with MLP. It is shown SOED is more accurate, reliable and transparent in comparison with MLP.

scholarly journals KLASIFIKASI SUARA MANUSIA KE DALAM SOPRAN, MEZZO SOPRAN, ALTO, TENOR, BARITON, BASS DENGAN SELF ORGANIZING MAP

2015 ◽  
Vol 11 (1) ◽  
Author(s):  
Andreas Saputra ◽  
Sri Suwarno ◽  
Lukas Chrisantyo
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Unsupervised Learning ◽  
Self Organizing Map ◽  
Artificial Neural ◽  
Self Organizing

Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.

Sign in / Sign up

Export Citation Format

Share Document