Appliation of parallel computing for training the SAMANN neural network

Šiame darbe buvo išnagrinėti daugiamačių duomenų vizualizavimo metodai, išanalizuotas neuroninio tinklo SAMANN algoritmas. Atlikti eksperimentiniai tyrimai su didelės apimties daugiamačių duomenų aibių vizualizavimu pritaikius SAMANN neuroninį tinklą. Darbe parodyta, kad tinklą apmokius ne visais pradinės duomenų aibės vektoriais, o tik duomenų aibės poaibiu (atskirais vektoriais), galima ne tik sutaupyti skaičiavimo laiką, bet ir pagerinti analizuojamų duomenų vizualizavimo tikslumą. Buvo atlikti skaičiavimai, naudojant daugiamačių duomenų vizualizavimo algoritmą SAMANN ir penkių procesorių klasterį. Tyrimuose naudotos didelės apimties duomenų aibės (DA1, DA2, DA3). Pirmiausia jos projektuotos į plokštumą, naudojant vieną procesorių ir apmokant visais atitinkamų aibių vektoriais, kad turėtume pavyzdinę Sammono paklaidą, ir projekciją. Eksperimentiniai tyrimai iš dalies patvirtino šiame darbe keltas hipotezes. Jei neuroninį tinklą mokytume 5%–20% poaibiais fiksuojant atitinkamą laiką skaičiavimams, apsimokymo laikas trumpesnis ir projekcijos paklaidą ţymiai sumaţėja.The thesis paper provides an analysis of large data set visualization methods and a neural network SAMANN algorithm. New ways have been sought how to apply SAMANN network for a large data set visualization. This thesis paper shows, that the network is not loaded by all initial data set vectors, but it is loaded only by data subsets (separate vectors), it allows not only to save calculation time, but it allows to improve the accuracy of data visualization, which is being analyzed. Calculations have been made by using large data set visualization algorithm SAMANN and a cluster of 5 processors. Large data set (DA1, DA2, DA3) has been researched in this paper. Firstly, they have been projected onto the surface by using one processor and by loading all necessary data vectors so that it will result in an exemplary Sammon inaccuracy, and a projection. Experimental analysis has proved the hypothesis, which has been raised in this thesis paper. If the neural network is loaded by 5%–20% data subsets by setting an estimated time, the duration of loading is shorter and the projection inaccuracy is significantly reduced.Švietimo akademijaVytauto Didžiojo universiteta