Erweiterung von Generalized [Relevance|Matrix] LearningVector Quantization zur Anwendung auf funktionale Daten
- In dieser Arbeit werden die Verfahren GLVQ und GRLVQ mit der Sobolev-Metrik erweitert und an verschiedene Datensätze mit funktionalen Daten getestet. Außerdem wird ein Ansatz vor-gestellt, die Prototypen durch Überlagerungen von Basisfunktionen darzustellen. Dieser Ansatz wird zusätzlich noch auf den GMLVQ angewendet. Hierfür betrachtete man die Gaußfunktio-nen und Sigmoidfunktionen als Basisfunktionen. Dabei wurden mit der Sobolev-Metrik sehr gute Resultat erzielt.
Author: | Christian Harth |
---|---|
URN: | urn:nbn:de:bsz:mit1-opus-24121 |
Document Type: | Master's Thesis |
Language: | German |
Date of Publication (online): | 2012/11/14 |
Publishing Institution: | Hochschule Mittweida |
Release Date: | 2012/11/14 |
GND Keyword: | Algorithmus; Maschinelles Lernen; Überwachtes Lernen |
Institutes: | 03 Mathematik / Naturwissenschaften / Informatik |
DDC classes: | 510 Mathematik |
Open Access: | Frei zugänglich |
Licence (German): | Urheberrechtlich geschützt |