Discriminant non-stationary signal features’ clustering using hard and fuzzy cluster labeling
Notice bibliographique
Résumé
<p>Current approaches to improve the pattern recognition performance mainly focus on either extracting non-stationary</p> <p>and discriminant features of each class, or employing complex and nonlinear feature classifiers. However, little</p> <p>attention has been paid to the integration of these two approaches. Combining non-stationary feature analysis with</p> <p>complex feature classifiers, this article presents a novel direction to enhance the discriminatory power of pattern</p> <p>recognition methods. This approach, which is based on a fusion of non-stationary feature analysis with clustering</p> <p>techniques, proposes an algorithm to adaptively identify the feature vectors according to their importance in</p> <p>representing the patterns of discrimination. Non-stationary feature vectors are extracted using a non-stationary</p> <p>method based on time–frequency distribution and non-negative matrix factorization. The clustering algorithms</p> <p>including the K-means and self-organizing tree maps are utilized as unsupervised clustering methods followed by a</p> <p>supervised labeling. Two labeling methods are introduced: hard and fuzzy labeling. The article covers in detail the</p> <p>formulation of the proposed discriminant feature clustering method. Experiments performed with pathological</p> <p>speech classification, T-wave alternans evaluation from the surface electrocardiogram, audio scene analysis, and</p> <p>telemonitoring of Parkinson’s disease problems produced desirable results. The outcome demonstrates the benefits</p> <p>of non-stationary feature fusion with clustering methods for complex data analysis where existing approaches do not</p> <p>exhibit a high performance.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».