his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
ARAVQ som datareducerare för en klassificeringsuppgift inom datautvinning
Högskolan i Skövde, Institutionen för kommunikation och information.
2004 (Svenska)Självständigt arbete på avancerad nivå (magisterexamen)Studentuppsats
Abstract [sv]

Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster

Ort, förlag, år, upplaga, sidor
Skövde: Institutionen för kommunikation och information , 2004. , s. 43
Nyckelord [sv]
Datautvinnig, Datareduktion, Klassificering, Robotik, Adaptive Resource Allocating Vector Quantizer
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:his:diva-928OAI: oai:DiVA.org:his-928DiVA, id: diva2:3349
Presentation
(Engelska)
Uppsök
teknik
Handledare
Tillgänglig från: 2008-03-07 Skapad: 2008-03-07 Senast uppdaterad: 2018-01-12Bibliografiskt granskad

Open Access i DiVA

fulltext(1600 kB)247 nedladdningar
Filinformation
Filnamn FULLTEXT01.psFilstorlek 1600 kBChecksumma MD5
3c67cc26f351150ee956abb14b453c06eb272e95fd7284ef8684d431af58ae60c1083f58
Typ fulltextMimetyp application/postscript
fulltext(146 kB)205 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 146 kBChecksumma SHA-512
9d6b699fd5d93e2234a756f63038b1f42b2ac2bee239538c3ed5d525e670dde5e83767874d40a1e5c3c14572f42e6bcd191c62194453299dc4d1d6116282b849
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för kommunikation och information
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 452 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 633 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf