Catalogus

Zoeken

Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.

Boekenmand

Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).

RSS

Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.

log in

Publicaties | Kaarten

nieuwe zoekopdracht

[ meld een fout in dit record ]

mandje (0): toevoegen | toon

---

Improving the efficiency of algebraic subspace clustering through randomized low-rank matrix approximations Pérez Pérez, F.O. (2013). Improving the efficiency of algebraic subspace clustering through randomized low-rank matrix approximations. MA Thesis. Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE): Puebla. xix, 143 pp.

---

Toegangsrechten: Publiek

---

Beschikbaar in	Auteur
VLIZ: Non-open access 357403 [ aanvragen ]
Documenttype: Doctoraat/Thesis/Eindwerk

---

Auteur		Top
Pérez Pérez, F.O.

---

Abstract

In many research areas, such as computer vision, image processing, pattern recognition, or systems identification, the segmentation of heterogeneous high-dimensional data sets is one of the most common and important tasks. Based on the subspace clustering approach, the Generalized Principal Component Analysis (GPCA) is an algebraic-geometric method that attempts to perform this task. However, due to GPCA requires performing matrix decompositions whose computational cost is cubic with respect to the size of the matrix (in the worst case), the data segmentation becomes expensive when such size is very large. Consequently, the present thesis work is intended to support our initial hypothesis: it is possible to find matrix decompositions via randomized schemes that not only reduce the computational costs, but also they maintain the effectiveness of their results. This allows GPCA to manipulate both large and heterogeneous high-dimensional data sets, and thus GPCA can enter into domains where its applicability has been partially or totally restricted

---

Alle informatie in het Integrated Marine Information System (IMIS) valt onder het VLIZ Privacy beleid

Top | Auteur