Informacja

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

Wyszukujesz frazę "interpolacja" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Data Forecasting and Extrapolation via Probability Distribution and Nodes Combination
Autorzy:
Jakóbczak, D. J.
Powiązania:
https://bibliotekanauki.pl/articles/118343.pdf
Data publikacji:
2015
Wydawca:
Politechnika Koszalińska. Wydawnictwo Uczelniane
Tematy:
information retrieval
data extrapolation
curve interpolation
PNC method
probabilistic modeling
forecasting
wyszukiwanie informacji
ekstrapolacja danych
interpolacja krzywej
metoda PNC
modelowanie probabilistyczne
prognozowanie
Opis:
Proposed method, called Probabilistic Nodes Combination (PNC), is the method of 2D data interpolation and extrapolation. Nodes are treated as characteristic points of information retrieval and data forecasting. PNC modeling via nodes combination and parameter γ as probability distribution function enables 2D point extrapolation and interpolation. Two-dimensional information is modeled via nodes combination and some functions as continuous probability distribution functions: polynomial, sine, cosine, tangent, cotangent, logarithm, exponent, arc sin, arc cos, arc tan, arc cot or power function. Extrapolated values are used as the support in data forecasting.
Autorska metoda Probabilistycznej Kombinacji Węzłów- Probabilistic Nodes Combination (PNC) jest wykorzystywana do interpolacji i ekstrapolacji dwuwymiarowych danych. Węzły traktowane są jako punkty charakterystyczne informacji, która ma być odtwarzana lub przewidywana. Dwuwymiarowe dane są interpolowane lub ekstrapolowane z wykorzystaniem różnych funkcji rozkładu prawdopodobieństwa: potęgowych, wielomianowych, wykładniczych, logarytmicznych, trygonometrycznych, cyklometrycznych. W pracy pokazano propozycję metody ekstrapolowania danych jako pomoc w przewidywaniu trendu dla nieznanych wartości.
Źródło:
Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej; 2015, 8; 25-37
1897-7421
Pojawia się w:
Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Reconstruction of high-dimensional data using the method of probabilistic features combination
Autorzy:
Jakóbczak, D. J.
Powiązania:
https://bibliotekanauki.pl/articles/118528.pdf
Data publikacji:
2016
Wydawca:
Politechnika Koszalińska. Wydawnictwo Uczelniane
Tematy:
image retrieval
pattern recognition
data modeling
vector interpolation
PFC method
feature reconstruction
probabilistic modeling
pobieranie obrazu
rozpoznawanie wzorców
modelowanie danych
interpolacja wektora
metoda PFC
funkcja rekonstrukcji
modelowanie probabilistyczne
Opis:
Proposed method, called Probabilistic Features Combination (PFC), is the method of multi-dimensional data modeling, extrapolation and interpolation using the set of high-dimensional feature vectors. This method is a hybridization of numerical methods and probabilistic methods. Identification of faces or fingerprints need modeling and each model of the pattern is built by a choice of multi-dimensional probability distribution function and feature combination. PFC modeling via nodes combination and parameter γ as N-dimensional probability distribution function enables data parameterization and interpolation for feature vectors. Multidimensional data is modeled and interpolated via nodes combination and different functions as probability distribution functions for each feature treated as random variable: polynomial, sine, cosine, tangent, cotangent, logarithm, exponent, arc sin, arc cos, arc tan, arc cot or power function.
Autorska metoda Probabilistycznej Kombinacji Cech - Probabilistic Features Combination (PFC) jest wykorzystywana do interpolacji i modelowania wielowymiarowych danych. Węzły traktowane są jako punkty charakterystyczne N-wymiarowej informacji, która ma być odtwarzana (np. obraz). Wielowymiarowe dane są interpolowane lub rekonstruowane z wykorzystaniem funkcji rozkładu prawdopodobieństwa: potęgowych, wielomianowych, wykładniczych, logarytmicznych, trygonometrycznych, cyklometrycznych.
Źródło:
Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej; 2016, 9; 37-50
1897-7421
Pojawia się w:
Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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