A periodic datamining algorithm has

A periodic datamining algorithm has been developed and used to extract distinct plasma fluctuations in multichannel oscillatory timeseries data. The technique uses the Expectation Maximisation algorithm to solve for the maximum likelihood estimates and cluster assignments of a mixture of multivariate independent von Mises distributions (EM-VMM). The performance of the algorithm shows significant benefits when compared to a periodic k-means algorithm and clustering using non-periodic techniques on several artificial datasets and real experimental data. Additionally, a new technique for identifying interesting features in multichannel oscillatory timeseries data is described (STFT-clustering). STFT-clustering identifies the coincidence of spectral features over most channels of a multi-channel array using the averaged short time Fourier transform of the signals. These features are filtered using clustering to remove noise. This method is particularly good at identifying weaker features and complements existing methods of feature extraction. Results from applying the STFT-clustering and EM-VMM algorithm to the extraction and clustering of plasma wave modes in the time series data from a helical magnetic probe array on the H-1NF heliac are presented.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึม datamining ประจำงวดได้รับการพัฒนา และใช้แยกความผันผวนของพลาสมาที่แตกต่างในข้อมูลแบบ oscillatory timeseries เทคนิคการใช้อัลกอริทึม Maximisation ความคาดหวังการแก้สำหรับการประเมินความเป็นไปได้สูงสุด และกำหนดส่วนผสมของตัวแปรพหุอิสระกระจาย Mises ฟอน (EM-VMM) คลัสเตอร์ ประสิทธิภาพของอัลกอริธึมที่แสดงประโยชน์อย่างมีนัยสำคัญเมื่อเปรียบเทียบกับอัลกอริทึม k-หมายถึงเป็นครั้งคราว และใช้เทคนิคที่ไม่ใช่ประจำงวด datasets ประดิษฐ์และทดลองจริงข้อมูลหลายคลัสเตอร์ นอกจากนี้ เทคนิคใหม่สำหรับการระบุคุณลักษณะที่น่าสนใจในแบบ timeseries oscillatory ข้อมูลอธิบาย (คลัสเตอร์ STFT) คลัสเตอร์ STFT ระบุเรื่องบังเอิญของสเปกตรัมมากกว่าช่องมากที่สุดของเรย์หลายช่องที่ใช้เวลาสั้นเฉลี่ยแปลงฟูรีเยช่วงของสัญญาณ คุณลักษณะเหล่านี้จะถูกกรองโดยใช้คลัสเตอร์เพื่อลบเสียงรบกวน วิธีการนี้เหมาะอย่างยิ่งที่ระบุคุณลักษณะที่แข็งแกร่ง และเสริมวิธีการสกัดคุณลักษณะที่มีอยู่ มีแสดงผลลัพธ์จากการใช้คลัสเตอร์ STFT และอัลกอริทึม EM VMM เพื่อสกัด และคลัสเตอร์โหมดเวฟพลาสม่าในเวลาชุดข้อมูลจากเรย์ helical โพรบแม่เหล็กบน heliac H 1NF

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการ datamining ระยะได้รับการพัฒนาและนำมาใช้เพื่อดึงความผันผวนของพลาสม่าที่แตกต่างกันในหลายช่องข้อมูล timeseries แกว่ง เทคนิคการใช้วิธี Maximisation ความคาดหวังที่จะแก้ปัญหาสำหรับการประเมินความเป็นไปได้สูงสุดและการกำหนดกลุ่มของส่วนผสมของหลายตัวแปรอิสระกระจายฟอนคะเน (EM-VMM) ประสิทธิภาพการทำงานของขั้นตอนวิธีการแสดงให้เห็นถึงผลประโยชน์อย่างมีนัยสำคัญเมื่อเทียบกับขั้นตอนวิธีการระยะ k-หมายถึงการจัดกลุ่มและการใช้เทคนิคที่ไม่เป็นระยะในชุดข้อมูลเทียมหลายคนและข้อมูลการทดลองจริง นอกจากนี้เทคนิคใหม่สำหรับการระบุคุณสมบัติที่น่าสนใจในหลายช่องข้อมูล timeseries แกว่งอธิบาย (STFT คลัสเตอร์) STFT คลัสเตอร์ระบุบังเอิญคุณสมบัติสเปกตรัมผ่านช่องทางส่วนใหญ่ของอาเรย์หลายช่องทางโดยใช้ค่าเฉลี่ยของระยะเวลาอันสั้นฟูริเยร์การแปลงสัญญาณ คุณสมบัติเหล่านี้จะถูกกรองโดยใช้การจัดกลุ่มเพื่อลบเสียง วิธีการนี​​้เป็นสิ่งที่ดีโดยเฉพาะอย่างยิ่งที่ระบุคุณสมบัติที่ปรับตัวลดลงและเสริมวิธีการที่มีอยู่ของการสกัดคุณลักษณะ ผลจากการใช้ STFT-ขั้นตอนวิธีการจัดกลุ่มและ EM-VMM การสกัดและการจัดกลุ่มของโหมดคลื่นพลาสม่าในการข้อมูลอนุกรมเวลาจากอาร์เรย์สอบสวนแม่เหล็กขดลวดใน heliac H-1NF จะนำเสนอ

ผลลัพธ์ (ไทย) 3:

การทําเหมืองข้อมูลขั้นตอนวิธีซึ่งได้รับการพัฒนาและใช้ในการแยกพลาสมาที่แตกต่างกันที่มีหลายช่องลังเลอนุกรมเวลาข้อมูล เทคนิคใช้ความคาดหวังทำให้มีสูงสุดวิธีแก้สำหรับความเป็นไปได้สูงสุด ประเมินและกลุ่มงาน เป็นส่วนผสมของหลายตัวแปรอิสระฟอนการแจกแจง ( em-vmm )ประสิทธิภาพของขั้นตอนวิธีแสดงประโยชน์อย่างมีนัยสำคัญเมื่อเทียบกับงวด k-means ขั้นตอนวิธีการจัดกลุ่มและไม่ใช้เทคนิคเป็นระยะในหลายข้อมูลเทียมและการทดลองจริง นอกจากนี้ เทคนิคใหม่สำหรับการระบุคุณลักษณะที่น่าสนใจในอนุกรมเวลาข้อมูลอธิบาย ( Multichannel ลังเล stft clustering )stft สามารถระบุคุณสมบัติของสเปกตรัมบังเอิญผ่านช่องสัญญาณมากที่สุดของอาร์เรย์จากหลายช่องทางโดยใช้เวลาสั้น ๆของการแปลงสัญญาณ คุณลักษณะเหล่านี้จะถูกกรองโดยใช้การจัดกลุ่มเพื่อลบเสียงรบกวน วิธีนี้เป็นวิธีที่ดีโดยเฉพาะอย่างยิ่งในการระบุคุณสมบัติที่แข็งแกร่งและเสริม ที่มีอยู่ วิธีการสกัดคุณลักษณะผลจากการใช้ stft clustering และ em-vmm ขั้นตอนวิธีการสกัดและการแบ่งกลุ่มของโหมดคลื่นพลาสมาในข้อมูลอนุกรมเวลาจากอาร์เรย์แบบโพรบแม่เหล็ก ขดลวดใน h-1nf heliac ถูกนำเสนอ