Common fixed point theorems for weakly generalized contractions and applications on g-metric spaces
Conference proceedings article
ผู้เขียน/บรรณาธิการ
กลุ่มสาขาการวิจัยเชิงกลยุทธ์
ไม่พบข้อมูลที่เกี่ยวข้อง
รายละเอียดสำหรับงานพิมพ์
รายชื่อผู้แต่ง: Yordsorn P., Sumalai P., Borisut P., Kumam P., Cho Y.J.
ผู้เผยแพร่: Hindawi
ปีที่เผยแพร่ (ค.ศ.): 2019
Volume number: 809
หน้าแรก: 230
หน้าสุดท้าย: 250
จำนวนหน้า: 21
ISBN: 9781728140551
นอก: 0146-9428
eISSN: 1745-4557
ภาษา: English-Great Britain (EN-GB)
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
ติดต่อสอบถามเพิ่มเติมได้ที่