文献

J-GLOBAL ID：201702219456076618   整理番号：17A0020694

大雑音を含むデータのための自己組織化インクリメンタルニューラルネットワークに基づくノンパラメトリック密度推定【Powered by NICT】

Nonparametric Density Estimation Based on Self-Organizing Incremental Neural Network for Large Noisy Data

著者 (2件)： Nakamura Yoshihiro (Department of Computational Intelligence and System Science, Tokyo Institute of Technology, Yokohama, Japan) ,  Hasegawa Osamu (Imaging Science and Engineering Laboratory, Tokyo Institute of Technology, Yokohama, Japan)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 28  号： 1  ページ： 8-17  発行年： 2017年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 通信網とセンサの,進行中の開発および拡大に伴い,大量のデータを実環境から実時間で連続的に生成した。予め,そのようなデータの基礎をなす分布の予測は難しい更にデータは,かなりの量の雑音を含んでいる。これらの因子は,確率密度を推定することを困難にする。これらの問題と大量のデータを扱うために,著者らはデータオンライン学習と高いロバスト性を持つ急速にノンパラメトリック密度推定器を提案した。我々のアプローチは,カーネル密度推定(KDE)と自己組織化漸増的ニューラルネットワーク(SOINN)の両方の拡張である,筆者らは筆者らのアプローチKDESOINNと呼ぶ。SOINNはデータのプロトタイプのネットワークとして与えられたデータについて学習するクラスタリング手法を提供する;より具体的にはSOINNは,与えられたデータの基礎をなす分布を学ぶことができる。この情報を用いて,KDESOINNは確率密度関数を推定した。我々の実験結果は,KDESOINNはロバスト性,学習時間,及び正確度の点で現行の最先端技術アプローチに上回るか,同等の性能を達成することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *ネットワーク ,  *自己組織化 ,  *ニューラルネットワーク ,  ロバスト性 ,  *ノンパラメトリック法 ,  *雑音 ,  確率密度関数 ,  高速度 ,  プロトタイプ ,  確率密度 ,  行為
準シソーラス用語： 学習時間 ,  クラスタリング法 ,  カーネル推定 ,  オンライン学習 ,  *雑音を含むデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 雑音を含むデータ ,  自己組織化 ,  ノンパラメトリック ,  密度 ,  推定