26,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in über 4 Wochen
  • Broschiertes Buch

La capacità della classica Analisi Discriminante Lineare basata sulla Decomposizione del Valore Singolare Generalizzato (LDA/GSVD) si deteriora quando si ha a che fare con insiemi di dati non etichettati perché LDA richiede input e target predefiniti. Inoltre, l'algoritmo LDA/GSVD soffre di un alto costo di calcolo a causa dei suoi complessi calcoli matematici e delle iterazioni. Per affrontare questi problemi, questo studio introduce la Self-Organizing Map (SOM) come un nuovo metodo per etichettare i set di dati, e lo sviluppo di un algoritmo basato su reti neurali artificiali per superare il…mehr

Produktbeschreibung
La capacità della classica Analisi Discriminante Lineare basata sulla Decomposizione del Valore Singolare Generalizzato (LDA/GSVD) si deteriora quando si ha a che fare con insiemi di dati non etichettati perché LDA richiede input e target predefiniti. Inoltre, l'algoritmo LDA/GSVD soffre di un alto costo di calcolo a causa dei suoi complessi calcoli matematici e delle iterazioni. Per affrontare questi problemi, questo studio introduce la Self-Organizing Map (SOM) come un nuovo metodo per etichettare i set di dati, e lo sviluppo di un algoritmo basato su reti neurali artificiali per superare il costo computazionale di LDA/GSVD. I risultati mostrano che l'uso di SOM e ANN sono efficaci nel risolvere i problemi dell'algoritmo tradizionale LDA/GSVD.
Autorenporträt
Rolysent Paredes est membre de la faculté de l'université de Misamis à Ozamiz City, aux Philippines. Il est instructeur certifié par l'Académie Cisco. Il a plusieurs publications à son actif et a présenté des travaux de recherche sur l'exploration de données, l'intelligence artificielle, l'apprentissage automatique et les réseaux informatiques lors de diverses conférences internationales.