Zastosowanie metody mini-modeli opartej na hipersześcianie w procesie modelowania danych wielowymiarowych

Pietrzykowski, M.

doi:10.18276/si.2015.38-07

Artykuł - szczegóły

Tytuł artykułu

Zastosowanie metody mini-modeli opartej na hipersześcianie w procesie modelowania danych wielowymiarowych

Autorzy

Pietrzykowski M.

Treść / Zawartość

Pełne teksty:

Pietrzykowski_M_Zastosowanie_SI_nr38_2015.pdf

Pobierz

Identyfikatory

DOI

10.18276/si.2015.38-07

Warianty tytułu

Application of mini-models method based on hypercube in the modeling process of multidimensional data

Języki publikacji

Abstrakty

W artykule zaprezentowano metodę samo-uczenia mini-modeli (metodę MM) opartą na hiperbryłach w przestrzeni wielowymiarowej. Jest to metoda nowa i rozwojowa, będąca w trakcie intensywnych badań. Bazuje ona na próbkach pobieranych jedynie z lokalnego otoczenia punktu zapytania, a nie z obszarów odległych od tego punktu. Grupa punktów, używana w procesie uczenia mini-modelu jest ograniczona obszarem hiperbryły. na tak zdefiniowanym lokalnym otoczeniu punktu zapytania metoda MM w procesie uczenia oraz obliczania odpowiedzi można użyć dowolnej metody aproksymacji. W artykule przedstawiono algorytm uczenia i działania metody w przestrzeni wielowymiarowej bazujący na hipersferycznym układzie współrzędnych. Metodę przebadano na zbiorach danych wielowymiarowych, a wyniki porównano z innymi metodami bazującymi na próbkach.

The article presents self-learning method of mini-models (MM-method) based on polytopes in multidimensional space. The method is new and is an object of intensive research. MM method is the instance based learning method and uses data samples only from the local neighborhood of the query point. Group of points which are used in the model-learning process is constrained by a polytope area. The MM-method can on a defined local area use any approximation algorithm to compute mini-model answer for the query point. The article describes a learning technique based on hyper-spherical coordinate system. The method was used in the modeling task with multidimensional datasets. The results of numerical experiments were compared with other instance based methods.

Słowa kluczowe

mini-model lokalna regresja algorytm k najbliższego sąsiada modelowania matematyczne metody bazujące na próbkach

mini-model local regression k-nearest neighbor mathematical modeling instance based learning

Wydawca

Wydawnictwo Naukowe Uniwersytetu Szczecińskiego

Czasopismo

Zeszyty Naukowe. Studia Informatica / Uniwersytet Szczeciński

Rocznik

2015

Tom

Nr 38

Strony

91--103

Opis fizyczny

Bibliogr. 24, tab., wykr.

Twórcy

autor

Pietrzykowski M.

mpietrzykowski@wi.zut.edu.pl

Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Informatyki

Bibliografia

1. Bottou L., Vapnik V. (1992), Local Learning Algorithms, "Neural Computation", vol. 4, iss. 6, s. 888-900.
2. Bronshtein I., Semendyayev K., Musiol G., Muhlig H. (2007), Handbook of Mathematics, Springer.
3. Celikoglu H.B. (2006), Application of radial basis function and generalized regression neural networks in non-linear utility function specication for travel mode choice modelling, "Mathematical and Computer Modelling", vol. 44, iss. 7-8, s. 640-658.
4. Fan J.Q. (1992), Design-adaptive nonparametric regression, "Journal of the American Statistical Association", vol. 87, iss. 420, s. 998-1004.
5. Fix E., Hodges J.L. (1951), Discriminatory analysis, nonparametric discrimination: Consistency properties, Randolph Field, s. 1-21.
6. Hollash S.R. (1991), Four Space Visualization of 4D Objects, Arizona State University.
7. Fukunaga K., Narendra P.M. (1975), Branch and bound algorithm for computing k-nearest neighbors, "IEEE Transactions on Computers", vol. C24, iss. 7, s. 750-753.
8. Moon P., Spencer D. (1988), Field theory handbook: including coordinate systems, differential equations, and their solutions, Springer.
9. Park J., Wasenberg J. (1991), Universal approximation using radial basis functions network, "Neural Computation", vol. 3, s. 246-257.
10. Piegat A., Wąsikowska B., Korzeń M. (2010), Zastosowanie samouczącego się trzypunktowego minimodelu do modelowania stopy bezrobocia w Polsce, "Studia Informatica", nr 27, s. 59-69.
11. Piegat A., Wąsikowska B., Korzeń M. (2011), Differences between the method of mini- -models and the k-nearest neighbors an example of modeling unemployment rate in Poland, Information Systems in Management IX-Business Intelligence and Knowledge Management, WULS Press, Warszawa, s. 34-43.
12. Pietrzykowski M. (2011), Comparison of effectiveness of linear mini-models with some methods of modelling, Młodzi Naukowcy dla Polskiej Nauki. CRE ATI VETI ME, Kraków, s. 113-123.
13. Pietrzykowski M. (2011), The use of linear and nonlinear mini-models in process of data modeling in a 2D-space, Nowe trendy w Naukach Inżynieryjnych. CRE ATI VETI ME, Kraków, s. 100-108.
14. Pietrzykowski M. (2012), Effectiveness of mini-models method when data modelling within a 2D-space in an information deficiency situation, "Journal of Theoretical and Applied Computer Science", vol. 6, no. 3, s. 21-27.
15. Pietrzykowski M. (2013), Mini-models working in 3D space based on polar coordinate system, Nowe trendy w Naukach Inżynieryjnych 4. Tom II , CRE ATI VETI ME, Kraków, s. 117-125.
16. Pietrzykowski M. (2014), Comparison between mini-models based on multidimensional polytopes and k-nearest neighbor method: case study of 4D and 5D problems, "Advances in Intelligent Systems and Computing", vol. 342, s. 107-118.
17. Pluciński M. (2012a), Mini-models - Local Regression Models for the Function Approximation Learning, w: Proceedings of IC AISC 2012, Part II , LNCS 7268, red. L. Rutkowski, Springer-Verlag, Berlin-Heidelberg, s. 160-167.
18. Pluciński M. (2012b), Nonlinear ellipsoidal mini-models - application for the function approximation task, "Przegląd Elektrotechniczny", r. 88, nr 10b, s. 247-251.
19. Pluciński M. (2014), Application of Mini-Models to the Interval Information Granules Processing, "Advances in Intelligent Systems and Computing", vol. 342, s. 37-48.
20. Poggio T., Girosi F. (1990), Network for approximation and learning, "Proceedings of the IEEE ", vol. 78, no. 9, s. 1481-1497.
21. Polyanin A., Manzhirov A. (2010), Handbook of Mathematics for Engineers and Scientists, Taylor & Francis.
22. Ruppert D., Wand M.P. (1994), Multivariate locally weighted least-squares regression, "Annals of Statistics", vol. 22, iss. 3, s. 1346-1370.
23. Specht D.F. (1991), A General Regression Neural Network, "IEEE Transactions on Neural Networks", vol. 2, no. 6, s. 568-576.
24. Uci machine learning repository, http://archive.ics.uci.edu/ml (25.04.2015).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-f959d122-ed51-4ae5-aa45-2b6e7fb63ab8