Högskolan i Skövde

his.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
ARAVQ som datareducerare för en klassificeringsuppgift inom datautvinning
University of Skövde, School of Humanities and Informatics.
2004 (Swedish)Independent thesis Advanced level (degree of Master (One Year))Student thesis
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

Place, publisher, year, edition, pages
Skövde: Institutionen för kommunikation och information , 2004. , p. 43
Keywords [sv]
Datautvinnig, Datareduktion, Klassificering, Robotik, Adaptive Resource Allocating Vector Quantizer
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:his:diva-928OAI: oai:DiVA.org:his-928DiVA, id: diva2:3349
Presentation
(English)
Uppsok
teknik
Supervisors
Available from: 2008-03-07 Created: 2008-03-07 Last updated: 2018-01-12Bibliographically approved

Open Access in DiVA

fulltext(1600 kB)337 downloads
File information
File name FULLTEXT01.psFile size 1600 kBChecksum MD5
3c67cc26f351150ee956abb14b453c06eb272e95fd7284ef8684d431af58ae60c1083f58
Type fulltextMimetype application/postscript
fulltext(146 kB)351 downloads
File information
File name FULLTEXT02.pdfFile size 146 kBChecksum SHA-512
9d6b699fd5d93e2234a756f63038b1f42b2ac2bee239538c3ed5d525e670dde5e83767874d40a1e5c3c14572f42e6bcd191c62194453299dc4d1d6116282b849
Type fulltextMimetype application/pdf

By organisation
School of Humanities and Informatics
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 688 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 1819 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf