Przejdź do treści
Zeszyty Naukowe Uniwersytetu Szczecińskiego. Studia Informatica

Aktualnie: Studia Informatica Pomerania

ZN 878 SI nr 38
OpenAlex

Dane dotyczą tego artykułu lub rozdziału.

Rekord znaleziony w bazie

Cytowania
0
Pozycje bibliografii
23

Dane pobrane:

Pokazujemy ostatnie dostępne dane. Aktualizacja oczekuje lub nie powiodła się.

Zobacz w źródle (nowa karta)
OpenCitations

Dane dotyczą tego artykułu lub rozdziału.

Cytowania
0

Dane pobrane:

Pokazujemy ostatnie dostępne dane. Aktualizacja oczekuje lub nie powiodła się.

Zobacz w źródle (nowa karta)
Google Scholar
Znajdź w Google Scholar (nowa karta)

Zastosowanie metody mini-modeli opartej na hipersześcianie w procesie modelowania danych wielowymiarowych

DOI: 10.18276/si.2015.38-07
Cytuj

Pełny tekst jest dostępny

ISSN:0867-1753
eISSN:2300-410X
Autorzy: Marcin Pietrzykowski
Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Informatyki
Słowa kluczowe: modelowania matematyczne algorytm najbliższych sąsiadów lokalna regresja mini-model metody bazujące na próbkach
Data wydania numeru / monografii:2015
Liczba stron:13 (91-103)
OAI-PMH:Metadane
CC BY-SA Open Access
Kod QR

Abstrakt

W artykule zaprezentowano metodę samo-uczenia mini-modeli (metodę MM) opartą na hiperbryłach w przestrzeni wielowymiarowej. Jest to metoda nowa i rozwojowa, będąca w trakcie intensywnych badań. Bazuje ona na próbkach pobieranych jedynie z lokalnego otoczenia punktu zapytania, a nie z obszarów odległych od tego punktu. Grupa punktów, używana w procesie uczenia mini-modelu jest ograniczona obszarem hiperbryły. na tak zdefiniowanym lokalnym otoczeniu punktu zapytania metoda MM w procesie uczenia oraz obliczania odpowiedzi można użyć dowolnej metody aproksymacji. W artykule przedstawiono algorytm uczenia i działania metody w przestrzeni wielowymiarowej bazujący na hipersferycznym układzie współrzędnych. Metodę przebadano na zbiorach danych wielowymiarowych, a wyniki porównano z innymi metodami bazującymi na próbkach.

PDF

Pobierz PDF
Podgląd PDF

Otwórz PDF

Bibliografia (24)
  1. Bottou L., Vapnik V. (1992), Local Learning Algorithms, „Neural Computation”, vol. 4, iss. 6, s. 888–900.
  2. Bronshtein I., Semendyayev K., Musiol G., Muhlig H. (2007), Handbook of Mathematics, Springer.
  3. Celikoglu H.B. (2006), Application of radial basis function and generalized regression neural networks in non-linear utility function specication for travel mode choice modelling, „Mathematical and Computer Modelling”, vol. 44, iss. 7–8, s. 640–658.
  4. Fan J.Q. (1992), Design-adaptive nonparametric regression, „Journal of the American Statistical Association”, vol. 87, iss. 420, s. 998–1004.
  5. Fix E., Hodges J.L. (1951), Discriminatory analysis, nonparametric discrimination: Consistency properties, Randolph Field, s. 1–21.
  6. Hollash S.R. (1991), Four Space Visualization of 4D Objects, Arizona State University.
  7. Fukunaga K., Narendra P.M. (1975), Branch and bound algorithm for computing k-nearest neighbors, „IEEE Transactions on Computers”, vol. C24, iss. 7, s. 750–753.
  8. Moon P., Spencer D. (1988), Field theory handbook: including coordinate systems, differential equations, and their solutions, Springer.
  9. Park J., Wasenberg J. (1991), Universal approximation using radial basis functions network, „Neural Computation”, vol. 3, s. 246–257.
  10. Piegat A., Wąsikowska B., Korzeń M. (2010), Zastosowanie samouczącego się trzypunktowego minimodelu do modelowania stopy bezrobocia w Polsce, „Studia Informatica”, nr 27, s. 59–69.
  11. Piegat A., Wąsikowska B., Korzeń M. (2011), Differences between the method of mini-models and the k-nearest neighbors an example of modeling unemployment rate in Poland, Information Systems in Management IX-Business Intelligence and Knowledge Management,
  12. Pietrzykowski M. (2011a), Comparison of effectiveness of linear mini-models with some methods of modelling, Młodzi Naukowcy dla Polskiej Nauki. CRE ATI VETI ME, Kraków, s. 113–123.
  13. Pietrzykowski M. (2011b), The use of linear and nonlinear mini-models in process of data modeling in a 2D-space, Nowe trendy w Naukach Inżynieryjnych. CRE ATI VETI ME, Kraków, s. 100–108.
  14. Pietrzykowski M. (2012), Effectiveness of mini-models method when data modelling within a 2D-space in an information deficiency situation, „Journal of Theoretical and Applied Computer Science”, vol. 6, no. 3, s. 21–27.
  15. Pietrzykowski M. (2013), Mini-models working in 3D space based on polar coordinate system, Nowe trendy w Naukach Inżynieryjnych 4. Tom II , CRE ATI VETI ME, Kraków, s. 117–125.
  16. Pietrzykowski M. (2014), Comparison between mini-models based on multidimensional polytopes and k-nearest neighbor method: case study of 4D and 5D problems, „Advances in Intelligent Systems and Computing”, vol. 342, s. 107–118.
  17. Pluciński M. (2012a), Mini-models – Local Regression Models for the Function Approximation Learning, w: Proceedings of IC AISC 2012, Part II , LNCS 7268, red. L. Rutkowski, Springer-Verlag, Berlin–Heidelberg, s. 160–167.
  18. Pluciński M. (2012b), Nonlinear ellipsoidal mini-models – application for the function approximation task, „Przegląd Elektrotechniczny”, r. 88, nr 10b, s. 247–251.
  19. Pluciński M. (2014), Application of Mini-Models to the Interval Information Granules Processing, „Advances in Intelligent Systems and Computing”, vol. 342, s. 37–48.
  20. Poggio T., Girosi F. (1990), Network for approximation and learning, „Proceedings of the IEEE ”, vol. 78, no. 9, s. 1481–1497.
  21. Polyanin A., Manzhirov A. (2010), Handbook of Mathematics for Engineers and Scientists, Taylor & Francis.
  22. Ruppert D., Wand M.P. (1994), Multivariate locally weighted least-squares regression, „Annals of Statistics”, vol. 22, iss. 3, s. 1346–1370.
  23. Specht D.F. (1991), A General Regression Neural Network, „IEEE Transactions on Neural Networks”, vol. 2, no. 6, s. 568–576.
  24. Uci machine learning repository, http://archive.ics.uci.edu/ml (25.04.2015).