Encoding time series data for better clustering results
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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