Littérature scientifique sur le sujet « HYBRID RESAMPLING »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « HYBRID RESAMPLING ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "HYBRID RESAMPLING"
Arun, Pattathal V., et Sunil K. Katiyar. « A CNN based Hybrid approach towards automatic image registration ». Geodesy and Cartography 62, no 1 (1 juin 2013) : 33–49. http://dx.doi.org/10.2478/geocart-2013-0005.
Texte intégralArun, Pattathal Vijayakumar. « A CNN BASED HYBRID APPROACH TOWARDS AUTOMATIC IMAGE REGISTRATION ». Geodesy and Cartography 39, no 3 (26 septembre 2013) : 121–28. http://dx.doi.org/10.3846/20296991.2013.840409.
Texte intégralZafar, Taimoor, Tariq Mairaj, Anzar Alam et Haroon Rasheed. « Hybrid resampling scheme for particle filter-based inversion ». IET Science, Measurement & ; Technology 14, no 4 (1 juin 2020) : 396–406. http://dx.doi.org/10.1049/iet-smt.2018.5531.
Texte intégralJentsch, Carsten, et Jens-Peter Kreiss. « The multiple hybrid bootstrap — Resampling multivariate linear processes ». Journal of Multivariate Analysis 101, no 10 (novembre 2010) : 2320–45. http://dx.doi.org/10.1016/j.jmva.2010.06.005.
Texte intégralLee, Ernesto, Furqan Rustam, Wajdi Aljedaani, Abid Ishaq, Vaibhav Rupapara et Imran Ashraf. « Predicting Pulsars from Imbalanced Dataset with Hybrid Resampling Approach ». Advances in Astronomy 2021 (3 décembre 2021) : 1–13. http://dx.doi.org/10.1155/2021/4916494.
Texte intégralSaputro, Dewi Retno Sari, Sulistyaningsih Sulistyaningsih et Purnami Widyaningsih. « SPATIAL AUTOREGRESSIVE (SAR) MODEL WITH ENSEMBLE LEARNING-MULTIPLICATIVE NOISE WITH LOGNORMAL DISTRIBUTION (CASE ON POVERTY DATA IN EAST JAVA) ». MEDIA STATISTIKA 14, no 1 (22 juin 2021) : 89–97. http://dx.doi.org/10.14710/medstat.14.1.89-97.
Texte intégralAbdullahi, Dauda Sani, Dr Muhammad Sirajo Aliyu et Usman Musa Abdullahi. « Comparative analysis of resampling algorithms in the prediction of stroke diseases ». UMYU Scientifica 2, no 1 (30 mars 2023) : 88–94. http://dx.doi.org/10.56919/usci.2123.011.
Texte intégralJadwal, Pankaj Kumar, Sonal Jain et Basant Agarwal. « Clustering-based hybrid resampling techniques for social lending data ». International Journal of Intelligent Systems Technologies and Applications 20, no 3 (2021) : 183. http://dx.doi.org/10.1504/ijista.2021.10044536.
Texte intégralJadwal, Pankaj Kumar, Sonal Jain et Basant Agarwal. « Clustering-based hybrid resampling techniques for social lending data ». International Journal of Intelligent Systems Technologies and Applications 20, no 3 (2021) : 183. http://dx.doi.org/10.1504/ijista.2021.120495.
Texte intégralKarthikeyan, S., et T. Kathirvalavakumar. « A Hybrid Data Resampling Algorithm Combining Leader and SMOTE for Classifying the High Imbalanced Datasets ». Indian Journal Of Science And Technology 16, no 16 (27 avril 2023) : 1214–20. http://dx.doi.org/10.17485/ijst/v16i16.146.
Texte intégralThèses sur le sujet "HYBRID RESAMPLING"
Xu, Yangyi. « Frequentist-Bayesian Hybrid Tests in Semi-parametric and Non-parametric Models with Low/High-Dimensional Covariate ». Diss., Virginia Tech, 2014. http://hdl.handle.net/10919/71285.
Texte intégralPh. D.
Siegmund, Florian. « Dynamic Resampling for Preference-based Evolutionary Multi-objective Optimization of Stochastic Systems : Improving the efficiency of time-constrained optimization ». Doctoral thesis, Högskolan i Skövde, Institutionen för ingenjörsvetenskap, 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-13088.
Texte intégralVid preferensbaserad evolutionär flermålsoptimering försöker beslutsfattaren hitta lösningar som är fokuserade kring ett valt preferensområde i målrymden och som ligger så nära den optimala Pareto-fronten som möjligt. Eftersom lösningar utanför preferensområdet anses som mindre intressanta, eller till och med oviktiga, kan optimeringen fokusera på den intressanta delen av målrymden och hitta relevanta lösningar snabbare, vilket betyder att färre lösningar behöver utvärderas. Detta är en stor fördel vid simuleringsbaserad flermålsoptimering med långa simuleringstider eftersom antalet olika konfigurationer som kan simuleras och utvärderas är mycket begränsat. Även tidigare studier som använt fokuserad flermålsoptimering styrd av användarpreferenser, t.ex. med algoritmen R-NSGA-II, har visat positiva resultat men enbart få av dessa har tagit hänsyn till det stokastiska beteendet hos de simulerade systemen. I litteraturen kallas optimering med stokastiska utvärderingsfunktioner ibland "noisy optimization". Om en optimeringsalgoritm inte tar hänsyn till att de utvärderade målvärdena är stokastiska kommer prestandan vara lägre jämfört med om optimeringsalgoritmen har tillgång till de verkliga målvärdena. Statisk upprepad utvärdering av lösningar med syftet att reducera osäkerheten hos alla evaluerade lösningar hjälper optimeringsalgoritmer att undvika problemet, men leder samtidigt till en betydande ökning av antalet nödvändiga simuleringar och därigenom en ökning av optimeringstiden. Detta är problematiskt eftersom det innebär att många simuleringar utförs i onödan på undermåliga lösningar, där exakta målvärden inte bidrar till att förbättra optimeringens resultat. Upprepad utvärdering reducerar ovissheten och hjälper till att förbättra optimeringen, men har också ett pris. Om flera simuleringar används för varje lösning så minskar antalet olika lösningar som kan simuleras och sökrymden kan inte utforskas lika mycket, givet att det totala antalet simuleringar är begränsat. Dynamisk upprepad utvärdering kan däremot effektivisera flermålsoptimeringens avvägning mellan utforskning och exploatering av sökrymden baserat på det faktum att den nödvändiga precisionen i målvärdena varierar mellan de olika lösningarna i målrymden. I en tät och konvergerad population av lösningar är det viktigt att känna till de exakta målvärdena, medan osäkra målvärden är mindre skadliga i ett tidigt stadium i optimeringsprocessen när algoritmen utforskar målrymden. En dynamisk strategi för upprepad utvärdering med en noggrann allokering av utvärderingarna kan därför uppnå bättre resultat än en allokering som är statisk. Trots att finns ett rikligt antal studier inom simuleringsbaserad optimering som använder sig av dynamisk upprepad utvärdering så har inga relaterade studier hittats som undersöker hur kombinationer av dynamisk upprepad utvärdering och preferensbaserad styrning kan förbättra prestandan hos algoritmer för flermålsoptimering ytterligare. Speciell avsaknad finns det av studier om optimering av problem med långa simuleringstider, som t.ex. simulering av produktionssystem. Avhandlingens mål är därför att studera, konstruera och jämföra nya kombinationer av preferensbaserade optimeringsalgoritmer och dynamiska strategier för upprepad utvärdering. Syftet är att förbättra resultatet av simuleringsbaserad flermålsoptimering som har stokastiska målvärden när antalet utvärderingar eller optimeringstiden är begränsade. Avhandlingen har speciellt fokuserat på att undersöka prestandahöjande åtgärder hos algoritmen R-NSGA-II i kombination med dynamisk upprepad utvärdering, baserad på fördelarna och flexibiliteten som interaktiva referenspunktbaserade algoritmer erbjuder. Exempel på förbättringsåtgärder är dynamiska algoritmer för upprepad utvärdering med förbättrad statistisk osäkerhetshantering och adaptiva optimeringsparametrar. Resultaten från avhandlingen visar tydligt att optimeringsresultaten kan förbättras om hybrida dynamiska algoritmer för upprepad utvärdering används och adaptiva optimeringsparametrar väljs beroende på osäkerhetsnivån och komplexiteten i optimeringsproblemet. För de fall där simuleringstiden är begränsad är slutsatsen från avhandlingen att både användarpreferenser och dynamisk upprepad utvärdering bör användas samtidigt för att uppnå de bästa resultaten i simuleringsbaserad flermålsoptimering.
Chapitres de livres sur le sujet "HYBRID RESAMPLING"
Siegmund, Florian, Amos H. C. Ng et Kalyanmoy Deb. « Hybrid Dynamic Resampling for Guided Evolutionary Multi-Objective Optimization ». Dans Lecture Notes in Computer Science, 366–80. Cham : Springer International Publishing, 2015. http://dx.doi.org/10.1007/978-3-319-15934-8_25.
Texte intégralSrivastava, Jaya, et Aditi Sharan. « Phishing Website Detection Based on Hybrid Resampling KMeansSMOTENCR and Cost-Sensitive Classification ». Dans Advances in Cognitive Science and Communications, 725–33. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-19-8086-2_69.
Texte intégralSiegmund, Florian, Amos H. C. Ng et Kalyanmoy Deb. « Hybrid Dynamic Resampling Algorithms for Evolutionary Multi-objective Optimization of Invariant-Noise Problems ». Dans Applications of Evolutionary Computation, 311–26. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-31153-1_21.
Texte intégralda Silva, Wellington Betencurte, Julio Cesar Sampaio Dutra, José Mir Justino da Costa, Luiz Alberto da Silva Abreu, Diego Campos Knupp et Antônio José Silva Neto. « A Hybrid Estimation Scheme Based on the Sequential Importance Resampling Particle Filter and the Particle Swarm Optimization (PSO-SIR) ». Dans Computational Intelligence, Optimization and Inverse Problems with Applications in Engineering, 247–61. Cham : Springer International Publishing, 2018. http://dx.doi.org/10.1007/978-3-319-96433-1_13.
Texte intégralN. K., Sreeja. « Learning From Class Imbalance ». Dans Handbook of Research on Fireworks Algorithms and Swarm Intelligence, 109–29. IGI Global, 2020. http://dx.doi.org/10.4018/978-1-7998-1659-1.ch005.
Texte intégralActes de conférences sur le sujet "HYBRID RESAMPLING"
Yuan, Xiaoru, Minh X. Nguyen, Hui Xu et Baoquan Chen. « Hybrid forward resampling and volume rendering ». Dans the 2003 Eurographics/IEEE TVCG Workshop. New York, New York, USA : ACM Press, 2003. http://dx.doi.org/10.1145/827051.827069.
Texte intégralIvaldi, W., M. Milgram et S. Gentric. « A hybrid resampling framework for facial shape alignment ». Dans 18th International Conference on Pattern Recognition (ICPR'06). IEEE, 2006. http://dx.doi.org/10.1109/icpr.2006.86.
Texte intégralHalimeh, Mhd Modar, Christian Huemmer, Andreas Brendel et Walter Kellermann. « Hybrid Particle Filtering Based on an Elitist Resampling Scheme ». Dans 2018 IEEE 10th Sensor Array and Multichannel Signal Processing Workshop (SAM). IEEE, 2018. http://dx.doi.org/10.1109/sam.2018.8448400.
Texte intégralCao, Lu, et Yikui Zhai. « Imbalanced Data Classification Based on a Hybrid Resampling SVM Method ». Dans 2015 IEEE 12th Intl. Conf. on Ubiquitous Intelligence and Computing, 2015 IEEE 12th Intl. Conf. on Autonomic and Trusted Computing and 2015 IEEE 15th Intl. Conf. on Scalable Computing and Communications and its Associated Workshops (UIC-ATC-ScalCom). IEEE, 2015. http://dx.doi.org/10.1109/uic-atc-scalcom-cbdcom-iop.2015.275.
Texte intégralLeichen Chen, Zhihua Cai, Lu Chen et Qiong Gu. « A Novel Differential Evolution-Clustering Hybrid Resampling Algorithm on Imbalanced Datasets ». Dans 2010 3rd International Conference on Knowledge Discovery and Data Mining (WKDD 2010). IEEE, 2010. http://dx.doi.org/10.1109/wkdd.2010.48.
Texte intégralSeetan, Raed I., Jacob Bible, Michael Karavias, Wael Seitan et Sam Thangiah. « Consensus Clustering : A Resampling-Based Method for Building Radiation Hybrid Maps ». Dans 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2016. http://dx.doi.org/10.1109/icmla.2016.0047.
Texte intégralPristyanto, Yoga, et Akhmad Dahlan. « Hybrid Resampling for Imbalanced Class Handling on Web Phishing Classification Dataset ». Dans 2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE). IEEE, 2019. http://dx.doi.org/10.1109/icitisee48480.2019.9003803.
Texte intégralBaro, Pranita, et Malaya Dutta Borah. « A Hybrid Resampling Approach to Handle Class Imbalance Problem and Missing Data ». Dans 2022 IEEE 9th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON). IEEE, 2022. http://dx.doi.org/10.1109/upcon56432.2022.9986452.
Texte intégralPristyanto, Yoga, Noor Akhmad Setiawan et Igi Ardiyanto. « Hybrid resampling to handle imbalanced class on classification of student performance in classroom ». Dans 2017 1st International Conference on Informatics and Computational Sciences (ICICoS). IEEE, 2017. http://dx.doi.org/10.1109/icicos.2017.8276363.
Texte intégralKeller, Aishwarya, et Anukul Pandey. « Hybrid Resampling and Xgboost Prediction Using Patient's Details as Features for Parkinson's Disease Detection ». Dans 2021 International Conference on Innovative Computing, Intelligent Communication and Smart Electrical Systems (ICSES). IEEE, 2021. http://dx.doi.org/10.1109/icses52305.2021.9633831.
Texte intégral