Il s'agit de l'application Linux nommée DGRLVQ à exécuter sous Linux en ligne dont la dernière version peut être téléchargée sous le nom DGRLVQ.zip. Il peut être exécuté en ligne sur le fournisseur d'hébergement gratuit OnWorks pour les postes de travail.
Téléchargez et exécutez en ligne cette application nommée DGRLVQ pour une exécution gratuite sous Linux en ligne avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN
Ad
DGRLVQ pour fonctionner sous Linux en ligne
DESCRIPTION
Certains des problèmes habituels des méthodes basées sur la quantification vectorielle d'apprentissage (LVQ) sont que l'on ne peut pas deviner de manière optimale le nombre de prototypes requis pour l'initialisation des structures de données multimodales, c'est-à-dire que ces algorithmes sont très sensibles à l'initialisation des prototypes et qu'il faut prédéfinir le nombre optimal. de prototypes avant d'exécuter l'algorithme. Si un prototype, pour certaines raisons, est « en dehors » du cluster qu'il devrait représenter et s'il y a des points de catégories différentes entre les deux, alors les autres points agissent comme une barrière et le prototype ne trouvera pas sa position optimale pendant l'entraînement. Comme la complexité du modèle n'est pas connue dans de nombreux cas, nous évitons ce problème en introduisant une version "Dynamique" de LVQ.Dynamic-GRLVQ (DGRLVQ), qui adapte la complexité du modèle au problème donné pendant la formation en ajoutant ou en supprimant des prototypes dynamiquement/en temps réel un par un pour chaque catégorie jusqu'à ce que des résultats de classification satisfaisants soient obtenus.
Features
- Quantification vectorielle d'apprentissage de pertinence de généralisation dynamique
- DGRLVQ
- QLV
- GRLVQ
- Machine Learning
- regroupement
- intelligence artificielle
- classification
- Pattern Recognition
Audience
Technologie de l'information, Science/Recherche
Interface utilisateur
Balançoire Java
Langage de programmation
Java
Il s'agit d'une application qui peut également être récupérée à partir de https://sourceforge.net/projects/dgrlvq/. Il a été hébergé dans OnWorks afin d'être exécuté en ligne de la manière la plus simple à partir de l'un de nos systèmes d'exploitation gratuits.
