Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Improvement of FCM neural network classifier using K-Medoids clustering

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092756" target="_blank" >RIV/61989100:27240/14:86092756 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1109/NaBIC.2014.6921852" target="_blank" >http://dx.doi.org/10.1109/NaBIC.2014.6921852</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/NaBIC.2014.6921852" target="_blank" >10.1109/NaBIC.2014.6921852</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Improvement of FCM neural network classifier using K-Medoids clustering

  • Popis výsledku v původním jazyce

    Floating Centroids Method (FCM) is a new method to improve the performance of neural network classifier. But the K-Means clustering algorithm used in FCM is sensitive to outliers. So this weakness will influence the performance of classifier to a certainextent. In this paper, K-Medoids clustering algorithm which can diminish the sensitivity to the outliers is used to partition the mapping points into some disjoint subsets to improve FCM's robustness and performance. Some data sets from UCI Machine Learning Repository are employed in our experiments. The results show a better performance for the FCM using our improved method.

  • Název v anglickém jazyce

    Improvement of FCM neural network classifier using K-Medoids clustering

  • Popis výsledku anglicky

    Floating Centroids Method (FCM) is a new method to improve the performance of neural network classifier. But the K-Means clustering algorithm used in FCM is sensitive to outliers. So this weakness will influence the performance of classifier to a certainextent. In this paper, K-Medoids clustering algorithm which can diminish the sensitivity to the outliers is used to partition the mapping points into some disjoint subsets to improve FCM's robustness and performance. Some data sets from UCI Machine Learning Repository are employed in our experiments. The results show a better performance for the FCM using our improved method.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • 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

    NaBIC 2014 ; CASoN 2014 : July 30-31, Porto, Portugal

  • ISBN

    978-1-4799-5937-2

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    47-52

  • Název nakladatele

    IEEE

  • Místo vydání

    New York

  • Místo konání akce

    Porto

  • Datum konání akce

    30. 7. 2014

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku