Parallel Hybrid SOM Learning on High Dimensional Sparse Data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47813059%3A19520%2F11%3A%230002011" target="_blank" >RIV/47813059:19520/11:#0002011 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27240/11:86081141
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Parallel Hybrid SOM Learning on High Dimensional Sparse Data
Popis výsledku v původním jazyce
Self organizing maps (also called Kohonen maps) are known for their capability of projecting high-dimensional space into lower dimensions. There are commonly discussed problems like rapidly increased computational complexity or specific similarity representation in the high-dimensional space. In the paper there is proposed the effective clustering algorithm based on self organizing map with the main purpose to reduce high dimension of the input dataset. The problem of computational complexity is solvedusing parallelization; the speed of proposed algorithm is accelerated using the algorithm version suitable for data collections with certain level of sparsity.
Název v anglickém jazyce
Parallel Hybrid SOM Learning on High Dimensional Sparse Data
Popis výsledku anglicky
Self organizing maps (also called Kohonen maps) are known for their capability of projecting high-dimensional space into lower dimensions. There are commonly discussed problems like rapidly increased computational complexity or specific similarity representation in the high-dimensional space. In the paper there is proposed the effective clustering algorithm based on self organizing map with the main purpose to reduce high dimension of the input dataset. The problem of computational complexity is solvedusing parallelization; the speed of proposed algorithm is accelerated using the algorithm version suitable for data collections with certain level of sparsity.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA205%2F09%2F1079" target="_blank" >GA205/09/1079: Metody umělé inteligence v GIS</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Computer Information Systems Analysis and Technologies (CCIS)
ISBN
978-3-642-27244-8
ISSN
1865-0929
e-ISSN
—
Počet stran výsledku
8
Strana od-do
239-246
Název nakladatele
Springer
Místo vydání
Heidelberg
Místo konání akce
Kolkata, India
Datum konání akce
1. 1. 2011
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—