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 "Outliers" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Attenuation matrix in robust, free adjustment
    Autorzy:
    Duchnowski, R.
    Wiśniewski, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/225859.pdf
    Data publikacji:
    2006
    Wydawca:
    Politechnika Warszawska. Wydział Geodezji i Kartografii
    Tematy:
    free adjustment
    robustness
    outliers
    Opis:
    Equivalent weight matrix Px plays a major role in robust, free adjustment. It is contained in the optimization criterion P(dx) = dtxPxdx where dx is an increment vector to approximate coordinates of all network points. Assuming, that Px = px T(dx ), where Px is a priori weight matrix, the paper presents the way how to calculate an attenuation matrix T(dx)( dx is a standardized increment vector). Special attention is paid to the way of increment standardization and to computation of an increment variance matrix.
    Źródło:
    Reports on Geodesy; 2006, z. 2/77; 299-305
    0867-3179
    Pojawia się w:
    Reports on Geodesy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Outliers vs Robustness in Nonparametric Methods of Regression
    Obserwacje odstające a problem odporności
    Autorzy:
    Trzęsiok, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/658308.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    obserwacje odstające
    odporność
    nieparametryczne metody regresji
    outliers
    robustness
    nonparametric regression methods
    Opis:
    Artykuł poświęcony jest zagadnieniu odporności metod regresji na obserwacje odstające występujące w zbiorze danych. W pierwszej części przedstawiono wybrane metody identyfikacji obserwacji nietypowych. Następnie badano odporność trzech nieparametrycznych metod regresji: PPR, POLYMARS i RANDOM FORESTS. Analiz dokonano za pomocą procedur symulacyjnych na zbiorach danych, w których wykryto obserwacje odstające. Mimo dosyć powszechnych przekonań o odporności regresji nieparametrycznej okazało się, że modele zbudowane na całych zbiorach danych mają istotnie mniejsze zdolności predykcyjne niż modele uzyskane na zbiorach, z których usunięto obserwacje nietypowe.
    The article addresses the question of how robust methods of regression are against outliers in a given data set. In the first part, we presented the selected methods used to detect outliers. Then, we tested the robustness of three nonparametric methods of regression: PPR, POLYMARS, and RANDOM FORESTS. The analysis was conducted applying simulation procedures to the data sets where outliers were detected. Contrary to a relatively common conviction about the robustness of nonparametric regression, the study revealed that the models built on the basis of complete data sets represent a significantly lower predictive capability than models based on the sets from which outliers were discarded.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2018, 4, 337; 99-109
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fault detection and isolation with robust principal component analysis
    Autorzy:
    Tharrault, Y.
    Mourot, G.
    Ragot, J.
    Maquin, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/929927.pdf
    Data publikacji:
    2008
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    analiza głównych składowych
    odporność
    detekcja uszkodzeń
    lokalizacja uszkodzeń
    principal component analysis
    robustness
    outliers
    fault detection
    fault isolation
    structured residual vector
    variable reconstruction
    Opis:
    Principal component analysis (PCA) is a powerful fault detection and isolation method. However, the classical PCA, which is based on the estimation of the sample mean and covariance matrix of the data, is very sensitive to outliers in the training data set. Usually robust principal component analysis is applied to remove the effect of outliers on the PCA model. In this paper, a fast two-step algorithm is proposed. First, the objective was to find an accurate estimate of the covariance matrix of the data so that a PCA model might be developed that could then be used for fault detection and isolation. A very simple estimate derived from a one-step weighted variance-covariance estimate is used (Ruiz-Gazen, 1996). This is a 'local' matrix of variance which tends to emphasize the contribution of close observations in comparison with distant observations (outliers). Second, structured residuals are used for multiple fault detection and isolation. These structured residuals are based on the reconstruction principle, and the existence condition of such residuals is used to determine the detectable faults and the isolable faults. The proposed scheme avoids the combinatorial explosion of faulty scenarios related to multiple faults to be considered. Then, this procedure for outliers detection and isolation is successfully applied to an example with multiple faults.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2008, 18, 4; 429-442
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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