The F-transform Plus PCA Dimensionality Reduction with Application to Pattern Recognition in Large Databases

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F18%3AA1901X6O" target="_blank" >RIV/61988987:17610/18:A1901X6O - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

The F-transform Plus PCA Dimensionality Reduction with Application to Pattern Recognition in Large Databases

Popis výsledku v původním jazyce

Two distinguished properties of the F-transform:the best approximation in a local sense and the reductionin dimension imply the fact that the F-transform has manysuccessful applications. In the first part, we propose another wayof computing the F-transform components of a functional data.This way is based on the particular dimensionality reductionalgorithm named Laplacian eigenmaps. In the second part,we strengthen the effect of F-transform-based dimensionalityreduction by applying the PCA reduction method over theF0- or F1- transform results. We demonstrate the efficiency ofthe proposed combinations F0zT+PCA and F1zT+PCA on theproblem of patter recognition in a large database. We compareboth combinations with other relevant techniques (besides other,LENET-like CNN) and show that they outperform them fromthe computation time and success rate points of view.

Název v anglickém jazyce

The F-transform Plus PCA Dimensionality Reduction with Application to Pattern Recognition in Large Databases

Popis výsledku anglicky

Two distinguished properties of the F-transform:the best approximation in a local sense and the reductionin dimension imply the fact that the F-transform has manysuccessful applications. In the first part, we propose another wayof computing the F-transform components of a functional data.This way is based on the particular dimensionality reductionalgorithm named Laplacian eigenmaps. In the second part,we strengthen the effect of F-transform-based dimensionalityreduction by applying the PCA reduction method over theF0- or F1- transform results. We demonstrate the efficiency ofthe proposed combinations F0zT+PCA and F1zT+PCA on theproblem of patter recognition in a large database. We compareboth combinations with other relevant techniques (besides other,LENET-like CNN) and show that they outperform them fromthe computation time and success rate points of view.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10101 - Pure mathematics

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2018 IEEE Symposium Series on Computational Intelligence (SSCI 2018)

ISBN

978-1-5386-9275-2

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

1020-1026

Název nakladatele

IEEE publishing services

Místo vydání

Bengaluru

Místo konání akce

Bengaluru

Datum konání akce

18. 11. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000459238800138