Streszczenie: Niniejszy artykuł prezentuje oryginalne uogólnienie samoorganizujących się sieci neuronowych oraz ich zastosowanie w problemach tzw. odkrywania wiedzy (ang. knowledge discovery) w bazach danych. Systemy zdolne do syntetyzowania wiedzy z olbrzymiej i lawinowo narastającej ilości danych numerycznych zawartych w bazach danych odgrywają coraz ważniejszą rolę w zagadnieniach przetwarzania informacji i szeroko rozumianej informatyce. Proponowane uogólnienie samoorganizujących się sieci neuronowych pozwala na efektywne i automatyczne wykrywanie określonych wzorców w danych w ramach tzw. nienadzorowanego grupowania danych. Praktyczna użyteczność proponowanego rozwiązania została przetestowana z wykorzystaniem rzeczywistych, złożonych, wielowymiarowych danych zawartych w bazie 'House-votes-84' zawierającej wyniki głosowań członków Kongresu USA i dostępnej na serwerze FTP Uniwersytetu Kalifornijskiego w Irvine (ftp.ics.uci.edu).
Abstract: This paper presents an original generalization of self-organizing neural networks and their application to knowledge discovery problems. Systems able to synthesize the knowledge from huge and rapidly growing amounts of numerical data in databases play more and more important role in information-processing problems and computer science in general. The proposed generalization of the self-organizing neural networks enables us to effectively and automatically discover some patterns in data in the framework of unsupervised data clustering. Practical usefulness of the proposed solution has been tested with the use of real, complex and multidimensional data coming from 'House-votes-84' database containing voting records of USA Congress members. The database is accessible at FTP server of the University of California at Irvine (ftp.ics.uci.edu).
YADDA/CEON