Common fixed point results for fuzzy mappings on complex-valued metric spaces with homotopy results

Conference proceedings article

ผู้เขียน/บรรณาธิการ

กลุ่มสาขาการวิจัยเชิงกลยุทธ์

ไม่พบข้อมูลที่เกี่ยวข้อง

รายละเอียดสำหรับงานพิมพ์

รายชื่อผู้แต่ง: Humaira, Sarwar M., Kumam P.

ผู้เผยแพร่: Hindawi

ปีที่เผยแพร่ (ค.ศ.): 2019

Volume number: 11

Issue number: 1

ISBN: 9781728140551

นอก: 0146-9428

eISSN: 1745-4557

URL: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85077955195&doi=10.1109%2fICITEED.2019.8929992&partnerID=40&md5=b9159548c19cf4ecc1e3e4a6e8d27049

ภาษา: English-Great Britain (EN-GB)

ดูในเว็บของวิทยาศาสตร์ | ดูบนเว็บไซต์ของสำนักพิมพ์ | บทความในเว็บของวิทยาศาสตร์

บทคัดย่อ

Feature selection is one of the commonly used technique in machine learning literature. It aims to reduce irrelevant, redundant, unneeded attributes from data that do not contribute to improve or even decrease the performance of analytical model. This paper proposes a new feature selection method that evaluate by back-propagated weighting the nongaussianity, Kurtosis, of the corresponding independent components. The nongaussianity scores are normalized using a suitable logistic function where the parameters of the logistic function are selected using an auto fitting curve technique. This proposed method is called the Logistic function of Kurtosis of Independent Component Analysis (KL-ICA). The results on various benchmarks show significant improvement of analytical model performance over existing technique. ฉ 2019 IEEE.

คำสำคัญ

Independent Component Analysis(ICA), Kurtosis, Kutosis and Logistic Independent Component Analysis(KL-ICA), Logistic Function, Unsupervised Learning