Mixture-based Clustering Non-gaussian Data with Fixed Bounds

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00462336" target="_blank" >RIV/67985556:_____/16:00462336 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/IS.2016.7737431" target="_blank" >http://dx.doi.org/10.1109/IS.2016.7737431</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IS.2016.7737431" target="_blank" >10.1109/IS.2016.7737431</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Mixture-based Clustering Non-gaussian Data with Fixed Bounds

Popis výsledku v původním jazyce

This paper deals with clustering non-gaussian data with fixed bounds. It considers the problem using recursive mixture estimation algorithms under the Bayesian methodology. Such a solution is often desired in areas, where the assumption of normality of modeled data is rather questionable and brings a series of limitations (e.g., non-negative, bounded data, etc.). Here for modeling the data a mixture of uniform distributions is taken, where individual clusters are described by mixture components. For the on-line detection of clusters of measured bounded data, the paper proposes a mixture estimation algorithm based on (i) the update of reproducible statistics of uniform components; (ii) the heuristic initialization via the method of moments; (iii) the non-trivial adaptive forgetting technique; (iv) the data-dependent dynamic pointer model. The approach is validated using realistic traffic flow simulations.

Název v anglickém jazyce

Mixture-based Clustering Non-gaussian Data with Fixed Bounds

Popis výsledku anglicky

This paper deals with clustering non-gaussian data with fixed bounds. It considers the problem using recursive mixture estimation algorithms under the Bayesian methodology. Such a solution is often desired in areas, where the assumption of normality of modeled data is rather questionable and brings a series of limitations (e.g., non-negative, bounded data, etc.). Here for modeling the data a mixture of uniform distributions is taken, where individual clusters are described by mixture components. For the on-line detection of clusters of measured bounded data, the paper proposes a mixture estimation algorithm based on (i) the update of reproducible statistics of uniform components; (ii) the heuristic initialization via the method of moments; (iii) the non-trivial adaptive forgetting technique; (iv) the data-dependent dynamic pointer model. The approach is validated using realistic traffic flow simulations.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-03564S" target="_blank" >GA15-03564S: Shlukování a klasifikace s využitím rekurzivního odhadování modelu směsi distribucí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of 2016 IEEE 8th International Conference on Intelligent Systems

ISBN

978-1-5090-1353-1

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

265-271

Název nakladatele

IEEE

Místo vydání

Sofia

Místo konání akce

Sofia

Datum konání akce

4. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000391554300037