Active function Cross-Entropy clustering
PBN-AR
Instytucja
Wydział Matematyki i Informatyki (Uniwersytet Jagielloński w Krakowie)
Źródłowe zdarzenia ewaluacyjne
Informacje podstawowe
Główny język publikacji
EN
Czasopismo
Expert Systems with Applications (35pkt w roku publikacji)
ISSN
0957-4174
EISSN
1873-6793
Wydawca
DOI
URL
Rok publikacji
2017
Numer zeszytu
Strony od-do
49-66
Numer tomu
72
Link do pełnego tekstu
Identyfikator DOI
Liczba arkuszy
Autorzy
Słowa kluczowe
EN
clustering
Gaussian mixture models
expectation maximization
Cross-Entropy clustering
Active curve axis gaussian mixture model
Open access
Tryb otwartego dostępu
Wersja tekstu w otwartym dostępie
Wersja opublikowana
Licencja otwartego dostępu
Czas opublikowania w otwartym dostępie
Razem z publikacją
Data udostępnienia w sposób otwarty
Streszczenia
Język
EN
Treść
Gaussian Mixture Models (GMM) have many applications in density estimation and data clustering. However, the models do not adapt well to curved and strongly nonlinear data, since many Gaussian components are typically needed to appropriately fit the data that lie around the nonlinear manifold. To solve this problem we constructed the Active Function Cross-Entropy Clustering (afCEC) method, which uses Gaussians in curvilinear coordinate systems. The method has a few advantages in relation to GMM: it enables easy adaptation to clustering of complicated data sets along with a predefined family of functions and does not need external methods to determine the number of clusters, as it automatically (on-line) reduces the number of groups. Experiments on synthetic data, Chinese characters, data from UCI repository and wind turbine monitoring systems show that the proposed nonlinear model typically obtains better results than the classical methods.
Cechy publikacji
original-article
peer-reviewed
Inne
System-identifier
53660
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych