Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Classification by the Use of Decomposition of Correlation Integral

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F09%3A00173045" target="_blank" >RIV/68407700:21460/09:00173045 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/67985807:_____/09:00342904

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Classification by the Use of Decomposition of Correlation Integral

  • Popis výsledku v původním jazyce

    The correlation dimension is usually used to study features of fractals and data generating processes. For estimating the value of the correlation dimension in a particular case, a polynomial approximation of correlation integral is often used and then linear regression for logarithms of variables is applied. In this Chapter, we show that the correlation integral can be decomposed into functions each related to a particular point of data space. For these functions, one can use similar polynomial approximations such as the correlation integral. The essential difference is that the value of the exponent, which would correspond to the correlation dimension, differs in accordance to the position of the point in question. Moreover, we show that the multiplicative constant represents the probability density estimation at that point. This finding is used to construct a classifier. Tests with some data sets from the Machine Learning Repository show that this classifier can be very effective.

  • Název v anglickém jazyce

    Classification by the Use of Decomposition of Correlation Integral

  • Popis výsledku anglicky

    The correlation dimension is usually used to study features of fractals and data generating processes. For estimating the value of the correlation dimension in a particular case, a polynomial approximation of correlation integral is often used and then linear regression for logarithms of variables is applied. In this Chapter, we show that the correlation integral can be decomposed into functions each related to a particular point of data space. For these functions, one can use similar polynomial approximations such as the correlation integral. The essential difference is that the value of the exponent, which would correspond to the correlation dimension, differs in accordance to the position of the point in question. Moreover, we show that the multiplicative constant represents the probability density estimation at that point. This finding is used to construct a classifier. Tests with some data sets from the Machine Learning Repository show that this classifier can be very effective.

Klasifikace

  • Druh

    C - Kapitola v odborné knize

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/1M0567" target="_blank" >1M0567: Centrum aplikované kybernetiky</a><br>

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2009

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název knihy nebo sborníku

    Foundations of Computational Intelligence: Studies in Computational Intelligence

  • ISBN

    978-3-642-01535-9

  • Počet stran výsledku

    17

  • Strana od-do

  • Počet stran knihy

    380

  • Název nakladatele

    Springer

  • Místo vydání

    Berlin

  • Kód UT WoS kapitoly