Nonlinear ellipsoidal mini-models – application for the function approximation task

• Autorzy: Pluciński M.

Warianty tytułu

PL

Nieliniowe, elipsoidalne mini-modele - zastosowanie do aproksymacji funkcji

• Języki publikacji: EN

Abstrakty

EN

Mini-models are local regression models, which can be used for the function approximation learning. In the paper, there are presented mini-models based on hyper-spheres and hyper-ellipsoids and researches were made for linear and nonlinear models with no limitations for the problem input space dimension. Learning of the approximation function based on mini-models is very fast and it proved to have a good accuracy. Mini-models have also very advantageous extrapolation properties.

PL

Mini-modele to modele lokalnej regresji, które można wykorzystać do aproksymacji funkcji. W artykule opisano mini-modele o bazie hiper-sferycznej i hiper-elipsoidalnej oraz badania dla mini-modeli linowych i nieliniowych bez ograniczeń na rozmiar przestrzeni wejść. Uczenie aproksymującej funkcji opartej na mini-modelach jest szybkie, a sama funkcja ma dobrą dokładność i korzystne własności ekstrapolacyjne.

Słowa kluczowe

EN

mini-model; local regression; k-nearest neighbours method; function approximation

PL

mini-modele; regresja lokalna; metoda k najbliższych sąsiadów; aproksymacja funkcji

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 10b
• Strony: 247--251
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Pluciński M.

• West Pomeranian University of Technology, Faculty of Computer Science and Information Technology, Żołnierska 49, 71-210 Szczecin, Poland,

Bibliografia

• [1] Cichosz P., Learning systems. WNT Publishing House, Warsaw, 2000, [in Polish]
• [2] Hand D., Mannila H., Smyth P., Principles of data mining. The MIT Press, 2001
• [3] Moore A.W., Atkeson C.G., Schaal S.A., Memorybased learning for control. Technical Report CMU-RI-TR-95-18, Carnegie-Mellon University, Robotics Institute, 1995
• [4] Kordos M., Blachnik M., Strzempa D., Do we need whatever more than k-NN? Proceedings of 10-th International Conference on Artificial Intelligence and Soft Computing, Zakopane, Poland, pp. 414-421, Springer, 2010
• [5] Korzeń M., Klęsk P., Sets of approximating functions with finite Vapnik-Czervonenkis dimension for nearest-neighbours algorithm. Pattern Recognition Letters, 32, pp. 1882-1893, 2011
• [6] Atkeson C.G., Moore A.W., Schaal S.A., Locally weighted learning. Artificial Intelligence Review, 11, pp. 11-73, 1997
• [7] Pluciński M., Application of data with missing attributes in the probability RBF neural network learning and classification. Artificial Intelligence and Security in Computing Systems: 9thInternational Conference ACS'2002: Proceedings, Eds.: J. Sołdek, L. Drobiazgiewicz, Boston/Dordrecht/London: KluwerAcademic Publishers, pp. 63-72, 2003
• [8] Wasserman P.D., Advanced methods in neural computing. New York, Van Nostrand Reinhold, 1993
• [9] Piegat A., Wąsikowska B., Korzeń M., Application ofthe self-learning, 3-point mini-model for modelling ofunemployment rate in Poland. Studia Informatica, University of Szczecin, 2010, [in Polish]
• [10] Piegat A., Wąsikowska B., Korzeń M., Differencesbetween the method of mini-models and the k-nearestneighbours on example of modelling of unemployment rate inPoland. Proceedings of 9th Conference on Information Systemsin Management, pp. 34-43, WULS Press, Warsaw, 2011