文献

J-GLOBAL ID：201702239691360415   整理番号：17A1270893

深学習によるスペクトルのビッグデータグリッドクラスタリング解析【Powered by NICT】

Grid clustering analysis the big data of spectrum by deep learning

著者 (2件)： Chen Shuxin (Key Lab of In-fiber Integrated Optics Ministry Education of China, Harbin Engineering University, Heilongjiang, China) ,  Sun Weimin (Key Lab of In-fiber Integrated Optics Ministry Education of China, Harbin Engineering University, Heilongjiang, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIVC  ページ： 1002-1005  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： インターネットとビッグデータを用いた科学情報時代は急速に増加した。特殊・未知物体を調べるために宇宙における目標を追求する宇宙の謎の有人探査である。ビッグデータマイニングによるスペクトルはかなり複雑なデータは,次元が高く,寸法の間の相関は強くないが,ノイズや欠落データを導入するために容易である。計量データを処理することは困難である。本論文では,高分解能スペクトルパラメータに基づいたLAMOSTデータリリース星スペクトルを調べた。R言語のRFITSIOソフトウェアパッケージを用いて,スペクトルの大きなデータを解析し図示することである。深層学習解析は新しい知見と未知の異常値データを見出すことによる大規模データからの情報を抽出する。FITSフォーマットスペクトル大規模データ情報は10~7レベルのデータに上昇する。ビッグデータは,大量の不要な情報と輸入されているので,星スペクトルの完全スペクトル信号は多変数統計解析を駆使し線指数により特徴付けられるクラスタークラスタリングデータ。Lick線指数を用いたスペクトル特徴として,スペクトルデータは,深い学習のK平均平均アルゴリズムによって分類される。実験は強い物理的相関性を持つデータは正当なもので,速いことを示し,スペクトル調査におけるビッグデータ特徴のクラスタリング異常値分析は,データの特性を備えた。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： 統計解析 ,  雑音 ,  アルゴリズム ,  高分解能 ,  *学習 ,  *クラスタ化 ,  異常値 ,  高速度 ,  *スペクトル ,  宇宙空間 ,  プログラムパッケージ ,  インターネット
準シソーラス用語： 大規模データ ,  深層学習 ,  *ビッグデータ , 【Automatic Indexing@JST】

分類 (2件)： その他の情報処理  (JE15050M) ,  経営工学一般  (KA01010C)

タイトルに関連する用語 (3件)： 学習 ,  スペクトル ,  解析