Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Dane funkcjonalne" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Kernel functional canonical correlation analysis
    Jądrowa funkcjonalna analiza korelacji kanonicznych
    Autorzy:
    Krzyśko, Mirosław
    Waszak, Łukasz
    Powiązania:
    https://bibliotekanauki.pl/articles/658195.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    Dane funkcjonalne
    Analiza korelacji kanonicznych
    Jądro
    Functiona data
    Canonical correlation analysis
    Kernel
    Opis:
    W ostatnich latach wiele uwagi poświęca się analizie korelacji kanonicznych dla danych reprezentowanych przez funkcje lub krzywe. Takie dane są nazywane w literaturze danymi funkcjonalnymi (Ramsay i Silverman, 2005) i są obszarem wielu zainteresowań badawczych. Przykłady danych funkcjonalnych można znaleźć w wielu praktycznych zastosowaniach, takich jak medycyna, ekonomia, meteorologia i wiele innych. Niestety wielowymiarowe metody korelacji kanonicznych nie mogą być bezpośrednio zastosowane do danych funkcjonalnych, z uwagi na wymiar i trudności związane z uwzględnieniem korelacji i kolejności danych funkcjonalnych. Problem konstrukcji korelacji i zmiennych kanonicznych dla danych funkcjonalnych został zapoczątkowany przez Leurgansa i in. (1993), a następnie rozwinięty przez Ramsaya i Silvermana (2005). W tym artykule proponujemy nową metodę konstrukcji korelacji i zmiennych kanonicznych dla danych funkcjonalnych.
    Canonical correlation methods for data representing functions or curves have received much attention in recent years. Such data, known in the literature as functional data (Ramsay and Silverman, 2005), has been the subject of much recent research interest. Examples of functional data can be found in several application domains, such as medicine, economics, meteorology and many others. Unfortunately, the multivariate data canonical correlation methods cannot be used directly for functional data, because of the problem of dimensionality and difficulty in taking into account the correlation and order of functional data. The problem of constructing canonical correlations and canonical variables for functional data was addressed by Leurgans et al. (1993), and further developments were made by Ramsay and Silverman (2005). In this paper we propose a new method of constructing canonical correlations and canonical variables for functional data.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2016, 5, 325
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Ocena zróżnicowania poziomu życia mieszkańców województw w latach 2003–2013 za pomocą składowych głównych dla wielowymiarowych danych funkcjonalnych oraz analizy skupień
    Estimation of Diversity of Living Standards in Polish Voivodships in 2003–2013 Using Principal Components for Multidimensional Functional Data and Cluster Analysis
    Autorzy:
    Krzyśko, Mirosław
    Majka, Agnieszka
    Wołyński, Waldemar
    Powiązania:
    https://bibliotekanauki.pl/articles/1050488.pdf
    Data publikacji:
    2016-03-31
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    wielowymiarowe dane funkcjonalne
    funkcjonalna analiza danych
    analiza składowych głównych
    multivariate functional data
    functional data analysis
    principal components analysis
    Opis:
    W artykule przedstawiono ocenę zróżnicowania poziomu życia mieszkańców województw w latach 2003–2013. Do oceny zastosowano analizę składowych głównych dla wielowymiarowych danych funkcjonalnych oraz dendrytową analizę skupień. Metody te pozwoliły na wyodrębnienie względnie jednorodnych grup województw o zbliżonym poziomie rozpatrywanych cech dla całego rozpatrywanego okresu łącznie.
    The paper presents an estimation of life standard diversity for residents of Polish voivodships in 2003–2013. The principal component analysis was applied for multidimensional functional data and the dendrite method was used for cluster analysis. These methods made it possible to isolate relatively homogeneous groups of voivodships that had similar values of characteristics under consideration, for the whole period at issue.
    Źródło:
    Przegląd Statystyczny; 2016, 63, 1; 81-98
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The Estimating of the Conditional Density with Application to the Mode Function in Scalar-On-Function Regression Structure: Local Linear Approach with Missing at Random
    Szacowanie gęstości warunkowej z wykorzystaniem modelu w strukturze regresji skalarnej na funkcji: lokalne podejście liniowe z losowym brakiem
    Autorzy:
    Bouabsa, Wahiba
    Powiązania:
    https://bibliotekanauki.pl/articles/2196129.pdf
    Data publikacji:
    2023
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    functional data
    local linear estimation
    conditional mode function
    functional non-parametric statistics
    dane funkcjonalne
    lokalna estymacja liniowa
    funkcja trybu warunkowego
    funkcjonalna statystyka nieparametryczna
    Opis:
    The aim of this research was to study a nonparametric estimator of the density and mode function of a scalar response variable given a functional variable, when the observations are i.i.d. This proposed estimator is given by combining Missing At Random (MAR) with the local linear approach. Finally, a comparison study based on simulated data is also provided to illustrate the finite sample performances and the usefulness of the local linear approach with MAR to the presence of even a small proportion of outliers in the data.
    Celem analizy było zbadanie nieparametrycznego estymatora funkcji gęstości i trybu skalarnej zmiennej odpowiedzi na zmienną funkcyjną, gdy obserwacje są i.i.d. Ten proponowany estymator jest tworzony przez połączenie metody Missing At Random (MAR) z lokalnym podejściem liniowym. Na koniec zapewniono również badanie porównawcze oparte na symulowanych danych, aby zilustrować wydajność skończonej próbki i przydatność lokalnego podejścia liniowego z MAR do obecności nawet niewielkiej części wartości odstających w danych.
    Źródło:
    Econometrics. Ekonometria. Advances in Applied Data Analytics; 2023, 27, 1; 17-32
    1507-3866
    Pojawia się w:
    Econometrics. Ekonometria. Advances in Applied Data Analytics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Selected Robust Logistic Regression Specification for Classification of Multi‑dimensional Functional Data in Presence of Outlier
    Zastosowanie odpornej regresji logistycznej do klasyfikacji wielowymiarowych danych funkcjonalnych
    Autorzy:
    Krzyśko, Mirosław
    Smaga, Łukasz
    Powiązania:
    https://bibliotekanauki.pl/articles/657746.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    analiza regresji dla danych funkcjonalnych
    estymacja odporna
    model regresji logistycznej
    rozwinięcie funkcji w bazie funkcyjnej
    wielowymiarowe dane funkcjonalne
    zagadnienie klasyfikacji
    basis functions representation
    classification problem
    functional regression analysis
    logistic regression model
    multi‑dimensional functional data
    robust estimation
    Opis:
    W niniejszym artykule rozważany jest problem dwuetykietowej klasyfikacji wielowymiarowych danych funkcjonalnych. Zaproponowane rozwiązanie tego problemu oparto na technikach regresyjnych i modelu regresji logistycznej dla danych funkcjonalnych. Model ten został przekształcony do szczególnego modelu regresji logistycznej za pomocą rozwinięcia (będących funkcjami) współczynników regresji i zmiennych objaśniających w bazie funkcyjnej. Na podstawie tego modelu skonstruowana została reguła klasyfikacyjna. W przypadku występowania obserwacji odstających rozważane są również metody odpornej estymacji nieznanych parametrów. Eksperymenty numeryczne sugerują, że proponowane metody mogą z powodzeniem być wykorzystane w praktycznych zagadnieniach.
    In this paper, the binary classification problem of multi‑dimensional functional data is considered. To solve this problem a regression technique based on functional logistic regression model is used. This model is re‑expressed as a particular logistic regression model by using the basis expansions of functional coefficients and explanatory variables. Based on re‑expressed model, a classification rule is proposed. To handle with outlying observations, robust methods of estimation of unknown parameters are also considered. Numerical experiments suggest that the proposed methods may behave satisfactory in practice.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2018, 2, 334
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Classification of cognitive states using clustering-split time series framework
    Autorzy:
    Ramakrishna, J. Siva
    Ramasangu, Hariharan
    Powiązania:
    https://bibliotekanauki.pl/articles/38708362.pdf
    Data publikacji:
    2024
    Wydawca:
    Instytut Podstawowych Problemów Techniki PAN
    Tematy:
    functional MRI data
    classification
    consensus clustering
    SVM classifier
    GNB classifier
    XGBoost
    funkcjonalne dane MRI
    klasyfikacja
    grupowanie konsensusu
    klasyfikator SVM
    klasyfikator GNB
    Opis:
    Over the last two decades, functional Magnetic Resonance Imaging (fMRI) has provided immense data about the dynamics of the brain. Ongoing developments in machine learning suggest improvements in the performance of fMRI data analysis. Clustering is one of the critical techniques in machine learning. Unsupervised clustering techniques are utilized to partition the data objects into different groups. Supervised classification techniques applied to fMRI data facilitate the decoding of cognitive states while a subject is engaged in a cognitive task. Due to the high dimensional, sparse, and noisy nature of fMRI data, designing a classifier model for estimating cognitive states becomes challenging. Feature selection and feature extraction techniques are critical aspects of fMRI data analysis. In this work, we present one such synergy, a combination of Hierarchical Consensus Clustering (HCC) and the Statistics of Split Timeseries (SST) framework to estimate cognitive states. The proposed HCC-SST model’s performance has been verified on StarPlus fMRI data. The obtained experimental results show that the proposed classifier model achieves 99% classification accuracy with a smaller number of voxels and lower computational cost.
    Źródło:
    Computer Assisted Methods in Engineering and Science; 2024, 31, 2; 241-260
    2299-3649
    Pojawia się w:
    Computer Assisted Methods in Engineering and Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Podstawowe rodzaje tablic statystycznych w kontekście racjonalnego wykorzystania danych przestrzennych
    Basic types of statistical tables as regards rational usage of spatial data
    Autorzy:
    Parysek, Jerzy J.
    Powiązania:
    https://bibliotekanauki.pl/articles/962523.pdf
    Data publikacji:
    2019
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    dane przestrzenne
    badania dynamiczne
    badania strukturalne
    tablice strukturalne
    tablice funkcjonalne
    tablice relacyjne
    spatial data
    dynamic research
    structural studies
    structural tables
    functional tables
    relational tables
    Opis:
    Celem artykułu jest prezentacja odpowiednio zestawionych tablic danych przestrzennych oraz sposobu ich wykorzystania w badaniach przestrzenno- -strukturalnych i funkcjonalnych. Badania dynamiczne i strukturalne nawiązują do tego, co jest istotą rzeczywistości, w jakiej żyjemy, cechującej się zmiennością zdarzeń i procesów w czasie i przestrzeni. Zebrane, niekiedy z trudem, informacje liczbowe nie zawsze są optymalnie wykorzystywane w badaniu coraz bardziej złożonej rzeczywistości. Uporządkowane w tablicach dane stanowią punkt wyjścia do prowadzenia badań dynamiczno-strukturalnych przy wykorzystaniu znanych metod analizy statystycznej. W opracowaniu przedstawiono trzy rodzaje tablic (macierzy) danych: strukturalne (jedno- i wielocechowe), funkcjonalne i relacyjne (interakcyjne). Omówiono ich zastosowanie oraz wskazano podstawowe, możliwe do wykonania procedury obliczeniowe.
    The article attempts to present a set of spatial data in appropriate tables with the ways they might be used in both spatial and structural research as well as in functional one. Dynamic and structural research allows for investigating a constantly changing reality. Collected numerical information is often ineffectively used in the research in a more complex reality. Organising collected spatial data in such tables makes it possible to apply various kinds of quantitative methods for the analyses. The article also presents certain principles of variable selection allowing not only for correct application of specific statistical methods, but also for the achievement of reliable results. Uni- and multivariate structural tables, functional tables and relational ones (interactive) are presented in the article, indicating simultaneously operations that can be carried out on the data collected in these tables with specific methods of quantitative analysis.
    Źródło:
    Wiadomości Statystyczne. The Polish Statistician; 2019, 64, 6; 44-60
    0043-518X
    Pojawia się w:
    Wiadomości Statystyczne. The Polish Statistician
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies