Startseite UR

Connecting geometric independent component analysis to unsupervised learning algorithms

Theis, Fabian J. und Gruber, Peter und Puntonet, Carlos G. und Lang, Elmar (2004) Connecting geometric independent component analysis to unsupervised learning algorithms. In: Fourth International ICSC Symposium on Engineering of Intelligent Systems, EIS 2004: University of Madeira, Funchal, Portugal, February 29 - March 2, 2004; proceedings. ICSC Interdisciplinary Research Canada, Millet, Alberta. ISBN 3-906454-35-5.

Im Publikationsserver gibt es leider keinen Volltext zu diesem Eintrag.

Andere URL zum Volltext: http://homepages.uni-regensburg.de/~thf11669/publications/theis04SOMNGICA_EIS04.pdf


Zusammenfassung

The goal of independent component analysis (ICA) lies in transforming a mixed random vector in order to render it as independent as possible. This paper shows how to use adaptive learning and clustering algorithms to approximate mixture space densities thus learning the mixing model. Here, a linear square-model is assumed, and as learning algorithm either a self-organizing map (SOM) or a neural ...

plus


Bibliographische Daten exportieren



Dokumentenart:Buchkapitel
Datum:2004
Zusätzliche Informationen (Öffentlich):1 CD-ROM (enth. Proceedings) + 1 Buch (enth. Abstracts)
Institutionen:Biologie und Vorklinische Medizin > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Biologie und Vorklinische Medizin > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang > Arbeitsgruppe Dr. Fabian Theis
Projekte:Graduiertenkolleg Nichtlinearität und Nichtgleichgewicht
Dewey-Dezimal-Klassifikation:500 Naturwissenschaften und Mathematik > 530 Physik
500 Naturwissenschaften und Mathematik > 570 Biowissenschaften, Biologie
Status:Veröffentlicht
Begutachtet:Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:Ja
Eingebracht am:20 Mrz 2007
Zuletzt geändert:14 Okt 2010 12:19
Dokumenten-ID:1597
Nur für Besitzer und Autoren: Kontrollseite des Eintrags
  1. Universität

Universitätsbibliothek

Publikationsserver

Kontakt:

Publizieren: oa@ur.de

Dissertationen: dissertationen@ur.de

Forschungsdaten: daten@ur.de

Ansprechpartner