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 "faktoryzacja macierzy" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    FILTRACJA FINANSOWYCH SZEREGÓW CZASOWYCH METODAMI NIEUJEMNEJ FAKTORYZACJI MACIERZY
    FILTRATION OF FINANCIAL TIME SERIES USING NON-NEGATIVE MATRIX FACTORIZATION METHODS
    Autorzy:
    Szupiluk, Ryszard
    Rubach, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/453792.pdf
    Data publikacji:
    2018
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
    Tematy:
    filtracja szeregów czasowych
    estymacja trendów
    nieujemna faktoryzacja macierzy
    time-series filtration
    trend estimation
    non-negative matrix factorization
    Opis:
    W niniejszym artykule przedstawimy metodę wielowy¬miarowej filtracji do eliminacji szumów oraz estymacji trendów z finansowych szeregów czasowych. Jednym z istotnych elementów procesu filtracji będzie dekompozycja szeregów czasowych przy wykorzystaniu nieujemnej faktoryzacji macierzy. Prezentowana metoda może być wykorzystana w wielu praktycznych obszarach finansów i zarządzania jak analiza techniczna rynków, systemy inwestycyjne czy modele ryzyka.
    In this paper, we will present a method of multivariate filtration that may be used to eliminate noise and estimate trends in financial time-series. A significant element of the filtration process is the decomposition of time-series using nonnegative matrix factorization. The presented method may be applied in many practical aspects of finance and management, in particular for use in technical analysis of financial markets, trading systems or risk models.
    Źródło:
    Metody Ilościowe w Badaniach Ekonomicznych; 2018, 19, 3; 284-292
    2082-792X
    Pojawia się w:
    Metody Ilościowe w Badaniach Ekonomicznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Moving cast shadow detection using block nonnegative matrix factorization
    Autorzy:
    Yang, X.
    Liu, D.
    Zhou, D.
    Yang, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/200448.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    moving cast shadow detection
    video surveillance
    nonnegative matrix factorization
    block nonnegative matrix factorization
    nadzór wideo
    nieujemna faktoryzacja macierzy
    Opis:
    In recent years, moving cast shadow detection has become a critical challenge in improving the accuracy of moving object detection in video surveillance. In this paper, we propose two novel moving cast shadow detection methods based on nonnegative matrix factorization (NMF) and block nonnegative matrix factorization (BNMF). First, the algorithm of moving cast shadow detection using NMF is given and the key points such as the determination of moving shadow areas and the choice of discriminant function are specified. Then BNMF are introduced so that the new training samples and new classes can be added constantly with lower computational complexity. Finally, the improved shadow detection method is detailed described according to BNMF. The effectiveness of proposed methods is evaluated in various scenes. Experimental results demonstrate that the method achieves high detection rate and outperforms several state-of-the-art methods.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 2; 229-234
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Regularized nonnegative matrix factorization: Geometrical interpretation and application to spectral unmixing
    Autorzy:
    Zdunek, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/329732.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    blind source separation
    nonnegative matrix factorization
    active set algorithm
    regularized NMF
    polytope approximation
    ślepa separacja sygnału
    nieujemna faktoryzacja macierzy
    Opis:
    Nonnegative Matrix Factorization (NMF) is an important tool in data spectral analysis. However, when a mixing matrix or sources are not sufficiently sparse, NMF of an observation matrix is not unique. Many numerical optimization algorithms, which assure fast convergence for specific problems, may easily get stuck into unfavorable local minima of an objective function, resulting in very low performance. In this paper, we discuss the Tikhonov regularized version of the Fast Combinatorial NonNegative Least Squares (FC-NNLS) algorithm (proposed by Benthem and Keenan in 2004), where the regularization parameter starts from a large value and decreases gradually with iterations. A geometrical analysis and justification of this approach are presented. The numerical experiments, carried out for various benchmarks of spectral signals, demonstrate that this kind of regularization, when applied to the FC-NNLS algorithm, is essential to obtain good performance.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2014, 24, 2; 233-247
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A factor graph based genetic algorithm
    Autorzy:
    Helmi, B. H.
    Rahmani, A. T.
    Pelikan, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/330811.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    optimization problem
    genetic algorithm
    estimation
    distribution algorithm
    factor graph
    matrix factorization
    problem optymalizacji
    algorytm genetyczny
    algorytm estymacji rozkładu
    faktoryzacja macierzy
    Opis:
    We propose a new linkage learning genetic algorithm called the Factor Graph based Genetic Algorithm (FGGA). In the FGGA, a factor graph is used to encode the underlying dependencies between variables of the problem. In order to learn the factor graph from a population of potential solutions, a symmetric non-negative matrix factorization is employed to factorize the matrix of pair-wise dependencies. To show the performance of the FGGA, encouraging experimental results on different separable problems are provided as support for the mathematical analysis of the approach. The experiments show that FGGA is capable of learning linkages and solving the optimization problems in polynomial time with a polynomial number of evaluations.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2014, 24, 3; 621-633
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting pairwise relations with neural similarity encoders
    Autorzy:
    Horn, F.
    Müller, K. R.
    Powiązania:
    https://bibliotekanauki.pl/articles/200921.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    neural networks
    kernel PCA
    dimensionality reduction
    matrix factorization
    SVD
    similarity preserving embeddings
    sieci neuronowe
    jądro
    PCA
    redukcja wymiarowości
    faktoryzacja macierzy
    Opis:
    Matrix factorization is at the heart of many machine learning algorithms, for example, dimensionality reduction (e.g. kernel PCA) or recommender systems relying on collaborative filtering. Understanding a singular value decomposition (SVD) of a matrix as a neural network optimization problem enables us to decompose large matrices efficiently while dealing naturally with missing values in the given matrix. But most importantly, it allows us to learn the connection between data points’ feature vectors and the matrix containing information about their pairwise relations. In this paper we introduce a novel neural network architecture termed similarity encoder (SimEc), which is designed to simultaneously factorize a given target matrix while also learning the mapping to project the data points’ feature vectors into a similarity preserving embedding space. This makes it possible to, for example, easily compute out-of-sample solutions for new data points. Additionally, we demonstrate that SimEc can preserve non-metric similarities and even predict multiple pairwise relations between data points at once.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 821-830
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Rekonstrukcja niekompletnych obrazów za pomocą metod aproksymacji modelami niskiego rzędu
    Image completion with low-rank model approximation methods
    Autorzy:
    Sadowski, T.
    Zdunek, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/408844.pdf
    Data publikacji:
    2017
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    rekonstrukcja obrazów
    aproksymacja niskiego rzędu
    nieujemna faktoryzacja macierzy
    dekompozycja tensorowa
    uzupełnianie elementów macierzy
    image completion
    low-rank approximation
    nonnegative matrix factorization
    tensor decomposition
    matrix completion
    Opis:
    W pracy badano zadanie rekonstrukcji brakujących pikseli w obrazach poddanych losowym zaburzeniom impulsowym w kanale transmisyjnym. Takie zadanie może być sformułowane w kontekście interpolacji obrazu na nieregularnej siatce lub aproksymacji niekompletnego obrazu za pomocą modeli dekompozycji obrazu na faktory niskiego rzędu. Porównano skuteczność czterech algorytmów opartych na dekompozycjach macierzy lub tensorów: SVT, SmNMF-MC, FCSA-TC i SPC-QV. Badania przeprowadzono na obrazach niekompletnych, otrzymanych z obrazów oryginalnych przez usunięcie losowo wybranych pikseli lub linii tworzących regularną siatkę. Najwyższą efektywność rekonstrukcji obrazu uzyskano gdy na estymowane faktory niskiego rzędu narzucano ograniczenia nieujemności i gładkości w postaci wagowej filtracji uśredniającej.
    The paper is concerned with the task of reconstructing missing pixels in images perturbed with impulse noise in a transmission channel. Such a task can be formulated in the context of image interpolation on an irregular grid or by approximating an incomplete image by low-rank factor decomposition models. We compared four algorithms that are based on the low-rank decomposition model: SVT, SmNMF-MC , FCSA-TC and SPC-QV. The numerical experiments are carried out for various cases of incomplete images, obtained by removing random pixels or regular grid lines from test images. The best performance is obtained if nonnegativity and smoothing constraints are imposed onto the estimated low-rank factors.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2017, 7, 4; 44-48
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Studying OpenMP thread mapping for parallel linear algebra kernels on multicore system
    Autorzy:
    Bylina, B.
    Bylina, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/200778.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    computation performance
    OpenMP standard
    nonnegative matrix factorization
    thread mapping
    energy consumption
    wydajność obliczeniowa
    Standard OpenMP
    nieujemna faktoryzacja macierzy
    mapowanie
    zużycie energii
    Opis:
    Thread mapping is one of the techniques which allow for efficient exploiting of the potential of modern multicore architectures. The aim of this paper is to study the impact of thread mapping on the computing performance, the scalability, and the energy consumption for parallel dense linear algebra kernels on hierarchical shared memory multicore systems. We consider the basic application, namely a matrix-matrix product (GEMM), and two parallel matrix decompositions (LU and WZ). Both factorizations exploit parallel BLAS (basic linear algebra subprograms) operations, among others GEMM. We compare differences between various thread mapping strategies for these applications. Our results show that the choice of thread mapping has the measurable impact on the performance, the scalability, and energy consumption of the GEMM and two matrix factorizations.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 981-990
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Local fault detection of rolling element bearing components by spectrogram clustering with semi-binary NMF
    Wykrywanie uszkodzeń lokalnych elementów łożysk tocznych poprzez klasteryzację spektrogramu za pomocą półbinarnej nieujemnej faktoryzacji macierzy
    Autorzy:
    Wodecki, J.
    Zdunek, R.
    Wyłomańska, A.
    Zimroz, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/327868.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    vibration data
    time-frequency analysis
    nonnegative matrix factorization
    local damage detection
    dane drganiowe
    analiza czasowo-częstotliwościowa
    nieujemna faktoryzacja macierzy
    wykrywanie uszkodzeń lokalnych
    Opis:
    Information extraction is a very important problem nowadays. In diagnostics, it is particularly useful when one desires to isolate information about machine damage from a measured diagnostic signal. The method presented in this paper utilizes the idea that is based on a very important topic in numerical algebra, which is nonnegative matrix factorization. When applied to the matrix of multidimensional representation of the measured data, it can extract very useful information about the events which occur in the signal and are not recognizable otherwise. In the presented methodology, we use the algorithm called Semi-Binary Nonnegative Matrix Factorization (SB-NMF), and apply it to a time-frequency representation of the real-life vibration signal measured on faulty bearing operating in a belt conveyor driving station. Detected impulses of local damage are clearly identifiable. Performance of the algorithm is very satisfying in terms of time efficiency and output signal quality.
    Ekstrakcja informacji jest aktualnym kierunkiem badań. Jest ona szczególnie użyteczna, kiedy próbuje się wyizolować informację na temat uszkodzenia maszyny z zarejestrowanego sygnału diagnostycznego. Metoda zaprezentowana w niniejszej pracy bazuje na bardzo ważnym zagadnieniu algebry numerycznej, jakim jest nieujemna faktoryzacja macierzy. Kiedy jest ona zastosowana do analizy macierzy będącej wielowymiarową reprezentacją sygnału wejściowego, może wyizolować informację istotną z punktu widzenia procesów zachodzących w sygnale, a która nie jest rozpoznawalna w inny sposób. Przedstawiona metodologia korzysta z algorytmu znanego jako półbinarna nieujemna faktoryzacja macierzy, zastosowanego do reprezentacji czasowo-częstotliwościowej rzeczywistego sygnału drganiowego, zmierzonego na uszkodzonym łożysku pracującym w stacji napędowej przenośnika taśmowego. Wykryte impulsy związane z uszkodzeniem lokalnym zostały wyraźnie zidentyfikowane. Działanie algorytmu jest satysfakcjonujące w kwestii wydajności obliczeniowej oraz jakości otrzymanego wyniku.
    Źródło:
    Diagnostyka; 2017, 18, 1; 3-8
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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