Encoding time series data for better clustering results

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F13%3A00197065" target="_blank" >RIV/68407700:21240/13:00197065 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-642-33018-6_48" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-642-33018-6_48</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-33018-6_48" target="_blank" >10.1007/978-3-642-33018-6_48</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Encoding time series data for better clustering results

Popis výsledku v původním jazyce

Clustering algorithms belong to a category of unsupervised learning methods which aim to discover underlying structure in a dataset without given labels. We carry out research of methods for an analysis of a biological time series signals, putting stresson global patterns found in samples. When clustering raw time series data, high dimensionality of input vectors, correlation of inputs, shift or scaling sensitivity often deteriorates the result. In this paper, we propose to represent time series signals by various parametric models. A significant parameters are determined by means of heuristic methods and selected parameters are used for clustering. We applied this method to the data of cell's impedance profiles. Clustering results are more stable, accurate and computationally less expensive than processing raw time series data.

Název v anglickém jazyce

Encoding time series data for better clustering results

Popis výsledku anglicky

Clustering algorithms belong to a category of unsupervised learning methods which aim to discover underlying structure in a dataset without given labels. We carry out research of methods for an analysis of a biological time series signals, putting stresson global patterns found in samples. When clustering raw time series data, high dimensionality of input vectors, correlation of inputs, shift or scaling sensitivity often deteriorates the result. In this paper, we propose to represent time series signals by various parametric models. A significant parameters are determined by means of heuristic methods and selected parameters are used for clustering. We applied this method to the data of cell's impedance profiles. Clustering results are more stable, accurate and computationally less expensive than processing raw time series data.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

INTERNATIONAL JOINT CONFERENCE CISIS'12 - ICEUTE'12 - SOCO'12 SPECIAL SESSIONS

ISBN

978-3-642-33017-9

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

9

Strana od-do

467-475

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Ostrava

Datum konání akce

5. 9. 2012

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

000312969500048