Exponentially Scaled Point Processes and Data Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F14%3A00430516" target="_blank" >RIV/67985807:_____/14:00430516 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Exponentially Scaled Point Processes and Data Classification

Popis výsledku v původním jazyce

We use a measure for distances of neighbors? of a given point that is based on lp metrics and a scaling exponent. We show that if the measure scales with scaling exponent mentioned, then distribution function of this measure converges to Erlang distribution. The scaling of distances is used for design of a classifier. Three variants of classifier are described. The local approach uses local value of scaling exponent. The global method uses the correlation dimension as the scaling exponent. In the IINC method indexes of neighbors of the query point are essential. Results of some experiments are shown and open problems of classification with scaling are discussed.

Název v anglickém jazyce

Exponentially Scaled Point Processes and Data Classification

Popis výsledku anglicky

We use a measure for distances of neighbors? of a given point that is based on lp metrics and a scaling exponent. We show that if the measure scales with scaling exponent mentioned, then distribution function of this measure converges to Erlang distribution. The scaling of distances is used for design of a classifier. Three variants of classifier are described. The local approach uses local value of scaling exponent. The global method uses the correlation dimension as the scaling exponent. In the IINC method indexes of neighbors of the query point are essential. Results of some experiments are shown and open problems of classification with scaling are discussed.

Druh

D - Stať ve sborníku

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 statě ve sborníku

Advances in Applied and Pure Mathematics. Proceedings of the 2014 International Conference on Pure Mathematics, Applied Mathematics, Computational Methods PMAMCM 2014

ISBN

978-1-61804-240-8

ISSN

2227-4588

e-ISSN

—

Počet stran výsledku

7

Strana od-do

179-185

Název nakladatele

WSEAS Press

Místo vydání

Athens

Místo konání akce

Santorini Island

Datum konání akce

17. 7. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—