Computational performance of the parameters estimation in extreme seeking entropy algorithm
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60461373%3A22340%2F20%3A43921330" target="_blank" >RIV/60461373:22340/20:43921330 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/9232875" target="_blank" >https://ieeexplore.ieee.org/document/9232875</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.23919/AE49394.2020.9232875" target="_blank" >10.23919/AE49394.2020.9232875</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Computational performance of the parameters estimation in extreme seeking entropy algorithm
Popis výsledku v původním jazyce
This paper is dedicated to the evaluation of the computational time performance of the algorithms that estimate the parameters of the generalized Pareto distribution, namely Method of Moments, Maximum likelihood estimator and Quasi-maximum likelihood algorithms. The generalized Pareto distribution is utilized by the Extreme Seeking Entropy algorithm to detect novelty in data. The algorithm is evaluating the weight increments of the simple adaptive filter that are obtained via incrementally learning algorithm. The computational time performance is examined in the experiment with the detection of step-change parameters of the signal generator. Its output contains also additive Gaussian noise. © 2020 University of West Bohemia.
Název v anglickém jazyce
Computational performance of the parameters estimation in extreme seeking entropy algorithm
Popis výsledku anglicky
This paper is dedicated to the evaluation of the computational time performance of the algorithms that estimate the parameters of the generalized Pareto distribution, namely Method of Moments, Maximum likelihood estimator and Quasi-maximum likelihood algorithms. The generalized Pareto distribution is utilized by the Extreme Seeking Entropy algorithm to detect novelty in data. The algorithm is evaluating the weight increments of the simple adaptive filter that are obtained via incrementally learning algorithm. The computational time performance is examined in the experiment with the detection of step-change parameters of the signal generator. Its output contains also additive Gaussian noise. © 2020 University of West Bohemia.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
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
25th International Conference on Applied Electronics, AE 2020
ISBN
978-80-261-0891-7
ISSN
1803-7232
e-ISSN
1805-9597
Počet stran výsledku
4
Strana od-do
—
Název nakladatele
IEEE Computer Society
Místo vydání
Los Alamitos
Místo konání akce
Plzeň
Datum konání akce
8. 8. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000659296200039