Adoption Process and Impacts of Information and Communication Technologies in Small and Medium Size Enterprises in Central Asia: Evidences from Uzbekistan

Author: Makhmudov, Nurullo Göttingen, 22. April 2004 pages: 248 edition: 1 language: ISBN-10: 3865370675 ISBN-13: 9783865370679 allocated areas: Sozialwissenschaften category: Dissertation source of supply Print Version 32,00 € 30.4 in the shopping basket eBook (889.3 kB) 32 in the shopping basket

Kurzbeschreibung

Artificial Neural Networks (NNs) possess a great potential for automatic classification: they can be trained to classify successfully noisy, incomplete, or inconsistent data. However, an automation degree of existing NNs is relatively low because of several limitations. Usually, NNs require manual configuration: a large number of tuning parameters and the need for choosing an appropriate network topology lead to lengthy experimental cycles performed to find the best settings for a certain classification task. Additionally, many NNs need retraining in respect to changing input data and therefore cannot learn automatically in non-stationary environments. Another disadvantage of NNs is their «black-box» nature: they are not suitable for verification or interpretation by humans. A low degree of automation prevents employment of NNs in many practical applications when the users cannot be involved in the training and classification processes. Therefore the initial goal of the presented research was to develop a neural classifier that would be well-suited for automation.

Neural algorithms combining principles of the Adaptive Resonance Theory (ART) and fuzzy logic  ART based Fuzzy Networks (ARTFNs)  were found to be most appropriate for automatic classification. Their advantages include a self-growing structure, ability to learn in non-stationary environments, extremely short training time, few tuning parameters, and capability to represent learned knowledge as fuzzy if-then rules. Although ARTFNs may be seen as a proper basis for an automatic classifier, they still should be improved significantly. Their main problem is category proliferation, i.e. fast structural growth, which leads to high memory demand for network storage, increases classification time and complicates the knowledge extraction from a network due to a huge number of produced fuzzy rules. The objective of the thesis was to solve this and other problems of ARTFNs and to make them suitable for automatic classification. Two new algorithms, ART-based Fuzzy Classifier (AFC) and its extension AFCA, were proposed. They improve ARTFNs in several aspects: AFCs do not suffer from category proliferation, their information representation is compact, they are more robust to the parameter choice, more resistant to noise and more insensitive to the order of input presentation. AFCs have been verified by experiments and comparisons with several NNs as being efficient in solving both benchmarks and industrial classification tasks.


Für die Verwendung von künstlichen neuronalen Netzen als automatischen Klassifikatoren sprechen ihre Lernfähigkeit, Modellfreiheit und Nichtlinearität der Datenapproximation. Ein zusätzlicher Vorteil ist ihre Fähigkeit zur Verarbeitung unvollständiger, verrauschter oder inkonsistenter Information. Trotzdem beeinträchtigen drei wichtige Faktoren die Automatisierbarkeit neuronaler Algorithmen: die Konfiguration eines Netzes benötigt oft entweder viel Fachwissen und Erfahrung oder eine Phase zeitaufwändiger Parameteroptimierung; die neuronale Klassifikatoren zeigen ein sogenanntes «Black-Box»-Verhalten, d.h. das angelernte Wissen ist nicht interpretierbar. Außerdem sind nur wenige Algorithmen so stabil, dass sie in der Lage sind, in nicht stationären Anwendungen zu lernen.

ARTFNs (ART-based Fuzzy Networks), die auf der Adaptiven Resonanz-Theorie (ART) basieren, eignen sich zur Automatisierung am besten. Außer der von ART vererbten Stabilität des Online-Lernens und selbstständig wachsenden Struktur gehören zu den Vorteilen von ARTFNs deren geringe Anzahl an freien Parametern sowie gute Interpretierbarkeit des angelernten Wissens, welches in der Form von Fuzzy-Regeln aus dem Netz direkt extrahiert werden kann. Obwohl die existierenden ARTFNs als eine gute Basis für einen automatischen Klassifikator betrachtet werden können, müssen sie weiter entwickelt werden. Zu lösen ist vor allem das sogenannte «Kategorien-Vermehrung»-Problem (engl. category proliferation). Die Kategorien-Vermehrung zeigt sich dadurch, dass die Netzstruktur inadäquat schnell wächst. Das führt unter anderem zum Übertrainieren, einem hohen Speicherverbrauch, verlangsamten Lernen und Klassifikation. Ein weiterer Nachteil ist, dass die Kategorien-Vermehrung die Extraktion von Fuzzy-Regeln behindert. Das umfassende Ziel der Arbeit war die Entwicklung von auf ARTFNs basierten Klassifikatoren die besonders gut automatisierbar sind. Es wurden zwei neue Algorithmen, AFC (ART-based Fuzzy Classifier) und seine Erweiterung AFCA, vorgeschlagen, die es ermöglichen, nicht nur die Kategorien-Vermehrung zu überwinden, sondern auch viel robuster gegenüber suboptimalen Parametereinstellungen und wenig empfindlicher gegenüber Rauschen sowie gegenüber der Eingabereihenfolge zu sein. Die Effizienz der AFC-Algorithmen wurde durch den Vergleich mit verschiedenen neuronalen Netzen aufgrund von vielen Klassifikationsaufgaben bewiesen.