文献

J-GLOBAL ID：201702218249525481   整理番号：17A1490168

単変量および多変量時系列多様体学習【Powered by NICT】

Univariate and Multivariate Time Series Manifold Learning

著者 (3件)： O’Reilly Colin (Institute for Communication Systems (ICS), Faculty of Engineering and Physical Sciences, University of Surrey, Guildford, Surrey, GU2 7XH, United Kingdom) ,  Moessner Klaus (Institute for Communication Systems (ICS), Faculty of Engineering and Physical Sciences, University of Surrey, Guildford, Surrey, GU2 7XH, United Kingdom) ,  Nati Michele (Digital Catapult, 101 Euston Rd, London NW1 2RA, United Kingdom)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 133  ページ： 1-16  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 時系列解析は,ダイナミックなプロセスによる配列で生じていたことをデータから意味のある情報を抽出することを目的とした。信号の非線形動力学のモデル化が線形または線形空間におけるデータの非線形性をモデル化するために試み,類似性計量をもつ線形空間を用いて実施した。本研究では,時系列の非線形動力学を位相空間を用いて表現される異なる手法を採用した。訓練データでデータがある位相空間を構築するために使用または低次元多様体に近かった。低次元マニホールドを同定するために,少ない成分を保持している非線形多様体の基本は,カーネル主成分分析を用いて導出したカーネル主成分を用いて導出した。多様体上に投影したデータインスタンスと,原点と射影の間の大きな距離のものは異なるプロセスから誘導されたと考えられている。提案したアルゴリズムは単変量および多変量データの時系列分類を行うことができた。多数の実世界データセット上での評価が示す新しいアルゴリズムの精度と,最先端の性能を超える。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 時系列分析 ,  ベクトル空間 ,  非線形力学 ,  非線形性 ,  *多様体 ,  モデリング ,  アルゴリズム ,  類似性 ,  線形性 ,  位相空間
準シソーラス用語： カーネル主成分分析 ,  低次元 ,  訓練データ ,  *多様体学習 ,  *多変量 , 【Automatic Indexing@JST】

著者キーワード (5件)： 時系列 ,  一変量 ,  多変量 ,  1クラス分類 ,  カーネル主成分分析

分類 (2件)： 人工知能  (JE08000Z) ,  数値計算  (JE02000J)

タイトルに関連する用語 (4件)： 変量 ,  多変量 ,  時系列 ,  多様体学習