Rayleigh model fitting to nonnegative discrete data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F20%3A00531345" target="_blank" >RIV/67985556:_____/20:00531345 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21260/20:00342031

Výsledek na webu

<a href="http://dx.doi.org/10.1109/INES49302.2020.9147173" target="_blank" >http://dx.doi.org/10.1109/INES49302.2020.9147173</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/INES49302.2020.9147173" target="_blank" >10.1109/INES49302.2020.9147173</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Rayleigh model fitting to nonnegative discrete data

Popis výsledku v původním jazyce

The paper deals with modeling ordinal discrete random variables with a high number of nonnegative realizations. The prediction of the Rayleigh distribution learned on clusters of the explanatory variables is proposed. The proposed solution consists of the clustering and estimation phases based on the knowledge both of the target and explanatory variables, and the prediction phase using only the information from the explanatory variables. The main contributions of the approach are: (i) using the discretized knowledge of clusters of the explanatory variables and (ii) describing nonnegative discrete data by the multimodal Rayleigh distribution. Experiments with a data set from a tram network are provided.

Název v anglickém jazyce

Rayleigh model fitting to nonnegative discrete data

Popis výsledku anglicky

The paper deals with modeling ordinal discrete random variables with a high number of nonnegative realizations. The prediction of the Rayleigh distribution learned on clusters of the explanatory variables is proposed. The proposed solution consists of the clustering and estimation phases based on the knowledge both of the target and explanatory variables, and the prediction phase using only the information from the explanatory variables. The main contributions of the approach are: (i) using the discretized knowledge of clusters of the explanatory variables and (ii) describing nonnegative discrete data by the multimodal Rayleigh distribution. Experiments with a data set from a tram network are provided.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/8A17006" target="_blank" >8A17006: (Ultra)Sound Interfaces and Low Energy iNtegrated SEnsors</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of 2020 IEEE 24th International Conference on Intelligent Engineering Systems (INES)

ISBN

978-1-7281-1059-2

ISSN

1543-9259

e-ISSN

—

Počet stran výsledku

6

Strana od-do

67-72

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Reykjavík

Datum konání akce

8. 7. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—