Informacja

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

Wyszukujesz frazę "robust cluster analysis" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
Ocena jakości aplikacyjnej odpornego algorytmu analizy skupień TCLUST na przykładzie zbioru danych dotyczących jakości powietrza w Krakowie
Evaluation of the Quality of Robust Clustering Algorithm TCLUST on the Example of Dataset of Air Pollutants Emission in Krakow
Autorzy:
Szlachtowska, Ewa
Kosiorowski, Daniel
Mielczarek, Dominik
Powiązania:
https://bibliotekanauki.pl/articles/1050498.pdf
Data publikacji:
2016-03-31
Wydawca:
Główny Urząd Statystyczny
Tematy:
odporna analiza skupień
algorytm tclust
badanie jakości powietrza
robust cluster analysis
tclust algorithm
air quality testing
Opis:
Pozyskiwanie i gromadzenie danych to obecnie bardzo dynamiczne procesy. Przy ogromnych ilościach danych proces przetwarzania danych w celu uzyskania na ich podstawie użytecznych informacji i wniosków nie jest zadaniem trywialnym. W tym pomocna jest analiza skupień, a wynik grupowania pozwala ogarnąć dostępną informację i spojrzeć na nią z innej perspektywy. W żadnym razie nie jesteśmy w stanie pokazać całego spektrum zagadnień związanych analizą skupień, dlatego też ograniczymy się do omówienia algorytmu TCULST, którego twórcami są H. Fritz, L. A. García-Escudero, A. MayoIscar (por. Fritz i in., 2011, 2012). W pracy zostaną przedstawione wady i zalety odpornego algorytmu analizy skupień oraz omówione podstawowe funkcje dostępne w pakiecie tclust. Następnie zostanie dokonana ocena jakości aplikacyjnej algorytmu TCLUST na przykładzie zbioru danych dotyczących jakości powietrza w Krakowie.
Acquisition and data collection is currently a very dynamic processes. In order to obtain from data useful information, when huge quantities of data, the processing of the data is not a trivial task. Cluster analysis is very helpful in this and the result of grouping the result of grouping allows us to comprehend the available information and look at it from a different perspective. In any case, we are not able to show the entire spectrum of issues related to data analysis. Therefore we limit our discussion to the analysis of clusters, then we describe the TCLUST algorithm. The authors of the algorithm are H. Fritz, L. A. García-Escudero, A. Mayo-Iscar (see Fritz et al. 2011, 2012). In the paper we present the pros and cons robust clustering algorithm, and we discuss the available functions in the package tclust. Then on the example of dataset of air pollutants emission in Krakow we try to evaluate the quality of robust clustering algorithm.
Źródło:
Przegląd Statystyczny; 2016, 63, 1; 67-80
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Statistical methods and algorithms for spatio-temporal cluster analysis
Autorzy:
Abramovich, M.
Mitskevich, M.
Powiązania:
https://bibliotekanauki.pl/articles/92828.pdf
Data publikacji:
2017
Wydawca:
Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
Tematy:
cluster analysis
spatiotemporal
scan statistic
flexible
robust
algorithm
cluster construction
thyroid carcinoma
detection
Opis:
The global clusterization test and scan statistic method for studying geographical distribution of the objects are considered. The algorithm of windows set construction for the flexible spatial was developed. The robust version of spatial scan statistic method is proposed. The children carcinoma of the Belarus was analyzed using scan statistic method.
Źródło:
Studia Informatica : systems and information technology; 2017, 1-2(21); 5-14
1731-2264
Pojawia się w:
Studia Informatica : systems and information technology
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Using chemometrics to identify water quality in Daya Bay, China
Autorzy:
Wu, M.-L.
Wang, Y.-S.
Sun, C.-C.
Wang, H.
Lou, Z.-P.
Dong, J.-D.
Powiązania:
https://bibliotekanauki.pl/articles/49096.pdf
Data publikacji:
2009
Wydawca:
Polska Akademia Nauk. Instytut Oceanologii PAN
Tematy:
robust principal component analysis
water quality
chemometrics
China
cluster analysis
Daya Bay
Opis:
In this paper, chemometric approaches based on cluster analysis, classical and robust principal component analysis were employed to identify water quality in Daya Bay (DYB), China. The results show that these approaches divided water quality in DYB into two groups: stations S3, S8, S10 and S11 belong to cluster A, which lie in Dapeng Cove, Aotou Harbor and the north-eastern part of DYB, where water quality is related mainly to anthropogenic activities. The other stations belong to cluster B, which lie in the southern, central and eastern parts of DYB, where the quality is related mainly to water exchange with the South China Sea. Cluster analysis yields good results as a first exploratory method for evaluating spatial difference, but it fails to demonstrate the relationship between variables and environmental quality on the one hand and the untreated data on the other. However, with the aid of suitable chemometric approaches, the relationship between samples or variables can be investigated. Classical and robust principal component analysis can provide a visual aid for identifying the water environment in DYB, and then extracting specific information about relationships between variables and spatial variation trends in water quality.
Źródło:
Oceanologia; 2009, 51, 2; 217-232
0078-3234
Pojawia się w:
Oceanologia
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