Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais (2012)
- Authors:
- Autor USP: BATISTA, GUSTAVO ENRIQUE DE ALMEIDA PRADO ALVES - ICMC
- Unidade: ICMC
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Language: Português
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2012
- Source:
- Título do periódico: Proceedings
- ISSN: 2316-4220
- Conference titles: Brazilian Conference on Intelligent Systems - BRACIS
-
ABNT
PRANTI, Ronaldo C e BATISTA, Gustavo Enrique de Almeida Prado Alves. Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais. 2012, Anais.. Porto Alegre: SBC, 2012. . Acesso em: 29 jul. 2024. -
APA
Pranti, R. C., & Batista, G. E. de A. P. A. (2012). Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais. In Proceedings. Porto Alegre: SBC. -
NLM
Pranti RC, Batista GE de APA. Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais. Proceedings. 2012 ;[citado 2024 jul. 29 ] -
Vancouver
Pranti RC, Batista GE de APA. Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais. Proceedings. 2012 ;[citado 2024 jul. 29 ] - Contribuições em mineração de dados temporais e classes desbalanceadas
- Classification of live moths combining texture, color and shape primitives
- A complexity-invariant distance measure for time series
- Mineração de séries temporais por meio da extração de características e da identificação de motifs
- Extração de padrões e construção de modelos simbólicos para previsão de dados temporais
- Towards automatic classification on flying insects using inexpensive sensors
- A novel approximation to dynamic time warping allows anytime clustering of massive time series datasets
- Data mining a trillion time series subsequences under dynamic time warping
- An empirical comparison of dissimilarity measures for time series classification
- Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas