Nonlinear dimensionality reduction methods for pattern recognition
Örüntü tanıma için doğrusal olmayan boyut indirgeme metodları
- Tez No: 152519
- Danışmanlar: PROF.DR. ETHEM ALPAYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2004
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ÖZET ORUNTU TANIMA İÇİN DOĞRUSAL OLMAYAN BOYUT İNDİRGEME METODLARI Boyut indirgemenin amacı verideki önemli bilgileri tutarken, verinin daha az boyutlu ve daha basit gösterimini bulmaktır. İlgili öğeleri çıkarmak ve ilgisiz olanları süzmek için yüksek boyutlu verilere boyut indirgeme uygulamak gereklidir. Bunun sonucunda daha basit modeller ve veri hakkında yararlı bilgiler elde edilir. Bu tezde boyut indirgeme için gözetimsiz, doğrusal olmayan metotları çeşitli stan dart değerlendirme veri kümelerinde deneyerek ele alıyor ve karşılaştırıyoruz. Ayrıca daha önce karşılaşılmamış veri noktaları sorununu çözmek üzere eşleme fonksiyonlarının öğrenimini öneriyoruz. Bu çahşmada, veri dağılımının doğasında bulunan ölçü birimlerinin kullamlmasınm Öklid mesafesinden daha iyi modellemeye olanak sağladığım ve yüksek boyutlu veri modellerinin doğruluklarını arttırdığını gözlemledik.
Özet (Çeviri)
IV ' ABSTRACT NONLINEAR DIMENSIONALITY REDUCTION METHODS FOR PATTERN RECOGNITION The aim of dimensionality reduction is to find a lower dimensional, simpler representation while keeping the important information in the data. It is essential to employ dimensionality reduction for high dimensional data in order to extract relevant features and filter the non-relevant ones. This allows obtaining simpler models and useful knowledge from the data. In this thesis, we discuss and compare several unsupervised nonlinear methods for dimensionality reduction, namely, Isomap, Locally Linear Embedding (LLE), Curvilin ear Component Analysis (CCA), Curvilinear Distance Analysis (CD A) and Stochastic Neighbor Embedding (SNE), by testing their accuracies on standard benchmark data sets. We propose a modification (SNE-Iso Hybrid), and introduce the implicit learning of mapping functions in order to solve the problem of mapping previously unseen data points. We observe that using the metrics inherent in the data distribution allows better modelling than using the Euclidean distance and increases the model accuracies for nonlinear data.
Benzer Tezler
- Hiperspektral görüntülerin eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
GÖKHAN BİLGİN
Doktora
Türkçe
2009
Yıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Gerçek zamanlı sayısal görüntü işleme ve örüntü tanıma tekniklerinin araştırılması ve uygulanması
Investigation and implementation of real-time digital image processing and pattern recognition techniques
GHULAM SAKHİ SHOKOUH
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
- FRP sargılı beton elemanların eksenel basınç dayanımının tahmininde farklı makine öğrenimi yöntemlerinin karşılaştırılması
Comparison of different machine learning methods in predicting the axial compressive strength of FRP confined concrete elements
WAJAHAT SAADAT
- Hava tahmin modelleri ve yüzdelik dilim regresyonu temelli hibrit güneş enerjisi öngörü sistemi geliştirilmesi ve uygulamaları
Development and applications of a hybrid solar energy forcasting system integrating weather models and quantile regression
AYŞEGÜL BİÇER
Yüksek Lisans
Türkçe
2026
İstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
Yükleniyor...
