Bibliographic Metadata

Title
Clustering methods for relaxed PCA/ICA / Elias Windisch
Additional Titles
Clustering Methods for relaxed PCA/ICA
AuthorWindisch, Elias
CensorKeeling, Stephen
PublishedGraz, 2016
Description49 Seiten : Illustrationen, Diagramme
Institutional NoteKarl-Franzens-Universität Graz, Masterarbeit, 2016
Annotation
Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin
LanguageEnglish
Document typeMaster Thesis
URNurn:nbn:at:at-ubg:1-95398 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Clustering methods for relaxed PCA/ICA [1.69 mb]
Links
Reference
Classification
Abstract (German)

In dieser Arbeit wird ein geometrisch motiviertes PCA/ICA vorgestellt. Es basiert auf einer Clustering-Strategie die eine ähnliche Zielfunktion verwendet wie beim K-Means-Problem. Der Algorithmus, der verwendet wird, um den Wert, an welchem das Minimum errreicht wird, zu finden, ist dem K-Means-Algorithmus ähnlich. Im vorgestellten Algorithmus wird orthogonale Regression auf Teilmengen von gegebenen Daten angewendet, um die verschiedenen Clustering-Vektoren und die dazugehörigen PC/ICs zu finden. Es wird gezeigt, dass das vorgestellte Verfahren angewendet auf künstliche als auch auf realistische Beispiele sehr gute Ergebnisse liefert.

Abstract (English)

In this thesis a geometrically motivated method to perform PCA/ICA is presented. A clustering strategy is developed where the objective function is similar to the objective function of the k-means-problem, and the algorithm to find the minimizer of the function is related to that of the k-means-algorithm. In the algorithm orthogonal regression on subsets of the given data is performed to find the different clustering vectors and the corresponding PC/ICs. It is shown numerically that the method yields satisfying results, when applied to artificial as well as realistic examples.

Stats
The PDF-Document has been downloaded 45 times.