Correlation Dimension-Based Classifier

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F14%3A00421968" target="_blank" >RIV/67985807:_____/14:00421968 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21240/14:00226476

Výsledek na webu

<a href="http://dx.doi.org/10.1109/TCYB.2014.2305697" target="_blank" >http://dx.doi.org/10.1109/TCYB.2014.2305697</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TCYB.2014.2305697" target="_blank" >10.1109/TCYB.2014.2305697</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Correlation Dimension-Based Classifier

Popis výsledku v původním jazyce

Correlation dimension, singularity exponents, also scaling exponents are widely used in multifractal chaotic series analysis. Correlation dimension and other measures of effective dimensionality are used for characterization of data in applications. A direct use of correlation dimension to multidimensional data classification has not been hitherto presented. There are observations that the correlation integral is a distribution function of distances between all pairs of data points, and that by using polynomial expansion of distance with exponent equal to the correlation dimension this distribution is transformed into locally uniform. The classifier is based on consideration that the "influence" of neighbor points of some class on the probability thatthe query point belongs to this class is inversely proportional to its distance to the correlation dimension - power. New classification approach is based on summing up all these influences for each class. We prove that a resulting formul

Název v anglickém jazyce

Correlation Dimension-Based Classifier

Popis výsledku anglicky

Correlation dimension, singularity exponents, also scaling exponents are widely used in multifractal chaotic series analysis. Correlation dimension and other measures of effective dimensionality are used for characterization of data in applications. A direct use of correlation dimension to multidimensional data classification has not been hitherto presented. There are observations that the correlation integral is a distribution function of distances between all pairs of data points, and that by using polynomial expansion of distance with exponent equal to the correlation dimension this distribution is transformed into locally uniform. The classifier is based on consideration that the "influence" of neighbor points of some class on the probability thatthe query point belongs to this class is inversely proportional to its distance to the correlation dimension - power. New classification approach is based on summing up all these influences for each class. We prove that a resulting formul

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/LG12020" target="_blank" >LG12020: Využití pokročilé statistické analýzy a nestatistických separačních metod pro detekování fyzikálních procesů v datech snímaných urychlovači elementárních částic.</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název periodika

IEEE Transactions on Cybernetics

ISSN

2168-2267

e-ISSN

—

Svazek periodika

44

Číslo periodika v rámci svazku

12

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

11

Strana od-do

2253-2263

Kód UT WoS článku

000345629000002

EID výsledku v databázi Scopus

—