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 "unsupervised clustering" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Unsupervised classification and particle swarm optimization
    Klasyfikacja nienadzorowana i optymalizacja rojem cząstek
    Autorzy:
    Truszkowski, A.
    Topczewska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/341179.pdf
    Data publikacji:
    2012
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    klasyfikacja nienadzorowana
    analiza skupień
    optymalizacja rojem cząstek
    unsupervised classification
    clustering
    particle swarm optimization (PSO)
    Opis:
    This article considers three algorithms of unsupervised classification -K-means, Gbest and the Hybrid method, the last two have been proposed in [14]. All three algorithms belong to the class of non-hierarchical methods. At first, the initial split of objects into known in advance number of classes is performed. If it is necessary, some objects are then moved into other clusters to achieve better split - between cluster variation should be much larger than within cluster variation. The first algorithm described in this paper (K-means) is wellknown classical method. The second one (Gbest) is based on the particle swarm intelligence idea. While the third is a hybrid of two mentioned algorithms. Several indices assessing the quality of obtained clusters are calculated.
    W niniejszym artykule porównywane są trzy algorytmy analizy skupień - metoda k-średnich, algorytm gbest oraz metoda hybrydowa. Algorytmy gbest oraz hybrydowy zostały zaproponowane w publikacji [14]. Wszystkie trzy metody nalezą a do rodziny metod niehierarchicznych, w których na początku tworzony jest podział obiektów na znaną z góry liczbę klastrów. Następnie, niektóre obiekty przenoszone są pomiędzy klastrami, by uzyskać jak najlepszy podział - wariancja pomiędzy skupieniami powinna być znacznie większa niż wariancja wewnątrz skupień. Pierwszy algorytm (k-means) jest znaną, klasyczną metodą. Drugi oparty jest na idei inteligencji roju cząstek. Natomiast trzeci jest metodą hybrydową łączącą dwa wymienione wcześniej algorytmy. Do porównania uzyskanych skupień wykorzystano kilka różnych indeksów szacujących jakość otrzymanych skupień.
    Źródło:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2012, 9; 119-132
    1644-0331
    Pojawia się w:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Detecting abuses in archaeological areas using k-mean clustering analysis and UAVs/drones data
    Autorzy:
    Qubaa, Abdalrahman
    Al-Hamdani, Saja
    Powiązania:
    https://bibliotekanauki.pl/articles/35525451.pdf
    Data publikacji:
    2021
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
    Tematy:
    unmanned aerial vehicles
    k-mean clustering
    unsupervised classification
    Pix4D
    remote sensing
    archaeological survey
    Opis:
    Unmanned aerial vehicles (UAVs) or drones have made great progress in aerial surveys to research and discover heritage sites and archaeological areas, particularly after having developed their technical capabilities to carry various sensors onboard, whether they are conventional cameras, multispectral cameras, and thermal sensors. The objective of this research is to use the drone technology and k-mean clustering algorithm for the first time in Nineveh Governorate in Iraq to reveal the extent of civil excesses and random construction, as well as the looting and theft that occur in the archaeological areas. DJI Phantom 4 Pro drone was used, in addition to using the specialized Pix4D program to process drone images and make mosaics for them. Multiple flights were performed using a drone to survey multiple locations throughout the area and compare them with satellite images during different years. Drone’s data classification was implemented using a k-means clustering algorithm. The results of the data classification for three different time periods indicated that the percentage of archaeological lands decreased from 90.31% in 2004 to 25.29% in 2018. Where the work revealed the extent of the archaeological area’s great violations. The study also emphasized the importance of directing authorities of local antiquities to ensure the use of drone’s technology to obtain statistical and methodological reports periodically to assess archaeological damage and to avoid overtaking, stolen and looted of these sites.
    Źródło:
    Scientific Review Engineering and Environmental Sciences; 2021, 30, 1; 182-194
    1732-9353
    Pojawia się w:
    Scientific Review Engineering and Environmental Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An approach to unsupervised classification
    Autorzy:
    Przybyła, T.
    Pander, T.
    Horoba, K.
    Kupka, T.
    Matonia, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/333363.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    klasyfikacja
    grupowanie rozmyte
    klasyfikacja nienadzorowana
    klasyfikator najbliższych sąsiadów
    classification
    fuzzy clustering
    unsupervised classification
    nearest neighbour classifier
    Opis:
    Classification methods can be divided into supervised and unsupervised methods. The supervised classifier requires a training set for the classifier parameter estimation. In the case of absence of a training set, the popular classifiers (e.g. K-Nearest Neighbors) can not be used. The clustering methods are considered as unsupervised classification methods. This paper presents an idea of the unsupervised classification with the popular classifiers. The fuzzy clustering method is used to create a learning set. The learning set includes only these patterns that are the best representative of each class in the input dataset. The numerical experiment uses an artificial dataset as well as the medical datasets (PIMA, Wisconsin Breast Cancer) and illustrates the usefulness of the proposed method.
    Źródło:
    Journal of Medical Informatics & Technologies; 2011, 17; 105-111
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Unsupervised clustering for fetal state assessment based on selected features of the cardiotocographic signals
    Autorzy:
    Przybyła, T.
    Jeżewski, J.
    Roj, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/333112.pdf
    Data publikacji:
    2009
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    klasyfikacja algorytmów bez nadzoru
    grupowanie danych
    monitoring płodu
    kardiotokografia
    unsupervised classification
    fuzzy clustering
    principal component analysis
    fetal monitoring
    Opis:
    In modern obstetrics the cardiotocography is a routine method of fetal condition assessment based mainly on analysis of the fetal heart rate signals. The correct interpretation of recorded traces from a bedside monitor is very difficult even for experienced clinicians. Therefore, computerized fetal monitoring systems are used to yield the quantitative description of the signal. However, the effective techniques enabling automated conclusion generation based on cardiotocograms are still being searched. The paper presents an attempt to diagnose the fetal state basing on seventeen features describing the cardiotocographic records. The proposed method applies the unsupervised classification of signals. During our research we tried to classify the fetal state using the fuzzy c-means (FCM) clustering. We also tested how the efficiency of classification could be influenced by application of principal component analysis (PCA) algorithm. The obtained results showed that unsupervised classification cannot be considered as a support to fetal state assessment.
    Źródło:
    Journal of Medical Informatics & Technologies; 2009, 13; 157-162
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Algorytm klasyfikacji obiektów na przykładzie przestrzeni medialnej
    The algorithm for the classification of the example of media space
    Autorzy:
    KWATER, Tadeusz
    PĘKALA, Robert
    SALAMON, Aleksandra
    Powiązania:
    https://bibliotekanauki.pl/articles/455146.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Rzeszowski
    Tematy:
    sekwencyjny algorytm grupowania
    nienadzorowana klasyfikacja
    przestrzeń medialna
    wektor cech
    the sequence clustering algorithm
    unsupervised classification
    media space
    the feature vector
    Opis:
    W artykule zaprezentowano rozwiązanie zagadnienia klasyfikacji obiektów w przestrzeni medialnej. Zastosowano sekwencyjny algorytm grupowania dla wybranych obiektów będących informacjami w portalach internetowych, a reprezentowanych wektorem cech. Uzyskano zadawalające rezultaty klasyfikacji zależne od przyjętego wektora cech i od założonych parametrów wejściowych.
    The solution of the problem of classification of objects in the media is presented in the article. Sequential algorithm was used to group the selected objects in selected portals internet. Objects were information’s of portals represented by a feature vector. Achieved satisfactory results classi-fication dependent adopted the feature vector and the assumed input parameters.
    Źródło:
    Edukacja-Technika-Informatyka; 2016, 7, 4; 352-357
    2080-9069
    Pojawia się w:
    Edukacja-Technika-Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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