Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2013 | OriginalPaper | Buchkapitel

1. Vector Quantisation and Topology Based Graph Representation

verfasst von : Ágnes Vathy-Fogarassy, János Abonyi

Erschienen in: Graph-Based Clustering and Data Visualization Algorithms

Verlag: Springer London

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Compact graph based representation of complex data can be used for clustering and visualisation. In this chapter we introduce basic concepts of graph theory and present approaches which may generate graphs from data. Computational complexity of clustering and visualisation algorithms can be reduced replacing original objects with their representative elements (code vectors or fingerprints) by vector quantisation. We introduce widespread vector quantisation methods, the \(k\)-means and the neural gas algorithms. Topology representing networks obtained by the modification of neural gas algorithm create graphs useful for the low-dimensional visualisation of data set. In this chapter the basic algorithm of the topology representing networks and its variants (Dynamic Topology Representing Network and Weighted Incremental Neural Network) are presented in details.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Graph-Based Clustering Algorithms
Literatur
1.
Yao, A.: On constructing minimum spanning trees in k-dimensional spaces and related problems. SIAM J. Comput. 721–736 (1892)
2.
Boopathy, G., Arockiasamy, S.: Implementation of vector quantization for image compression—a survey. Global J. Comput. Sci. Technol. 10(3), 22–28 (2010)
3.
Domingo, F., Saloma, C.A.: Image compression by vector quantization with noniterative derivation of a codebook: applications to video and confocal images. Appl. Opt. 38(17), 3735–3744 (1999)CrossRef
4.
Garcia, C., Tziritas, G.: Face detection using quantized skin color regions merging and wavelet packet analysis. IEEE Trans. Multimedia 1(3), 264–277 (1999)CrossRef
5.
Biatov, K.: A high speed unsupervised speaker retrieval using vector quantization and second-order statistics. CoRR Vol. abs/1008.4658 (2010)
6.
Chu, W.C.: Vector quantization of harmonic magnitudes in speech coding applications a survey and new technique. EURASIP J. App. Sig. Proces. 17, 2601–2613 (2004)
7.
Kekre, H.B., Kulkarni, V.: Speaker identification by using vector quantization. Int. J. Eng. Sci. Technol. 2(5), 1325–1331 (2010)
8.
Abdelwahab, A.A., Muharram, N.S.: A fast codebook design algorithm based on a fuzzy clustering methodology. Int. J. Image Graph. 7(2), 291–302 (2007)CrossRef
9.
Kohonen, T.: Self-Organizing Maps, 3rd edn. Springer, New York (2001)
10.
Kurasova, O., Molyte, A.: Combination of vector quantization and visualization. Lect. Notes Artif. Intell. 5632, 29–43 (2009)
11.
Vathy-Fogarassy, A., Kiss, A., Abonyi, J.: Topology representing network map—a new tool for visualization of high-dimensional data. Trans. Comput. Sci. I 4750, 61–84 (2008)
12.
McQueen, J.: Some methods for classification and analysis of multivariate observations. In: Proceedings of Fifth Berkeley Symposium on Mathematical Statistics and Probability, pp. 281–297 (1967)
13.
Linde, Y., Buzo, A., Gray, R.M.: An algorithm for vector quantizer design. IEEE Trans. Commun. 28, 84–94 (1980)CrossRef
14.
Delaunay, B.: Sur la sphere vide. Izvestia Akademii Nauk SSSR, Otdelenie Matematicheskikh i Estestvennykh Nauk 7, 793–800 (1934)
15.
Martinetz, T.M., Shulten, K.J.: Topology representing networks. Neural Netw. 7(3), 507–522 (1994)CrossRef
16.
Martinetz, T.M., Shulten, K.J.: A neural-gas network learns topologies. In Kohonen, T., Mäkisara, K., Simula, O., Kangas, J. (eds.) Artificial Neural Networks, pp. 397–402, Elsevier Science Publishers B.V, North-Holland (1991)
17.
Fritzke, B.: A growing neural gas network learns topologies. Adv. Neural Inf. Proces. Syst. 7, 625–632 (1995)
18.
Hebb, D.O.: The Organization of Behavior. John, Inc New York (1949)
19.
Si, J., Lin, S., Vuong, M.-A.: Dynamic topology representing networks. Neural Netw. 13, 617–627 (2000)CrossRef
20.
Muhammed, H.H.: Unsupervised fuzzy clustering using weighted incremental neural networks. Int. J. Neural Syst. 14(6), 355–371 (2004)CrossRef
Metadaten
Titel
Vector Quantisation and Topology Based Graph Representation
verfasst von
Ágnes Vathy-Fogarassy
János Abonyi
Copyright-Jahr
2013
Verlag
Springer London
Buch
Graph-Based Clustering and Data Visualization Algorithms

Print ISBN: 978-1-4471-5157-9

Electronic ISBN: 978-1-4471-5158-6

Copyright-Jahr: 2013

DOI
https://doi.org/10.1007/978-1-4471-5158-6_1