Porovnani hierarchickych metod shlukovani a samoorganizujici se mapy

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03149558" target="_blank" >RIV/68407700:21230/08:03149558 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

A Comparison of Hierarchical Clustering Methods and Self-Organizing Map

Popis výsledku v původním jazyce

In this paper, we use clustering analysis for separating phonemes from children's speech. A major problem with hierarchical clustering methods is the tendency for a misclassification when the real data departs from the ideal conditions of compact isolated clusters. A phoneme data set has structural imperfections that confound the identification of clusters. In this paper we demonstrate that the Self-Organizing Map (SOM) is superior to the hierarchical clustering methods. The performance of the SOM and eight hierarchical clustering methods is tested on 4 data sets with various levels of imperfections that include data dispersion and nonuniform cluster densities. The higher accuracy and robustness of the SOM can improve the effectiveness of decisions andresearch based on clustering speech databases.

Název v anglickém jazyce

A Comparison of Hierarchical Clustering Methods and Self-Organizing Map

Popis výsledku anglicky

In this paper, we use clustering analysis for separating phonemes from children's speech. A major problem with hierarchical clustering methods is the tendency for a misclassification when the real data departs from the ideal conditions of compact isolated clusters. A phoneme data set has structural imperfections that confound the identification of clusters. In this paper we demonstrate that the Self-Organizing Map (SOM) is superior to the hierarchical clustering methods. The performance of the SOM and eight hierarchical clustering methods is tested on 4 data sets with various levels of imperfections that include data dispersion and nonuniform cluster densities. The higher accuracy and robustness of the SOM can improve the effectiveness of decisions andresearch based on clustering speech databases.

Druh

D - Stať ve sborníku

CEP obor

JA - Elektronika a optoelektronika, elektrotechnika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2008

Kód důvěrnosti údajů

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

Název statě ve sborníku

Digital Technologies 2008

ISBN

978-80-8070-953-2

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

—

Název nakladatele

Žilinská universita, Elektrotechnická fakulta

Místo vydání

Žilina

Místo konání akce

Žilina

Datum konání akce

20. 11. 2008

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—