Vor Ort
Merkzettel Warenkorb
  • Produktbild: Graph Embedding for Pattern Analysis
  • Produktbild: Graph Embedding for Pattern Analysis
- 13%

Graph Embedding for Pattern Analysis

13% sparen

92,99 € UVP 106,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

17.11.2012

Herausgeber

Yun Fu + weitere

Verlag

Springer Us

Seitenzahl

260

Maße (L/B/H)

24,1/16/1,8 cm

Gewicht

570 g

Auflage

2013

Sprache

Englisch

ISBN

978-1-4614-4456-5

Beschreibung

Rezension

From the reviews:

“The papers in this collection apply the methods elaborated in classical and algebraic graph theory to analyze patterns in various contexts. … the book will be easy for a researcher well versed in the theoretical fundamentals of the presented methods. … the editors have been able to structure the contents in an effective and interesting way. Therefore, I can recommend this volume as a useful reference for specialists in the field.” (Piotr Cholda, Computing Reviews, November, 2013)

Portrait

Dr. Yun Fu is a professor at the State University of New York at Buffalo

Dr. Yunqian Ma is a senior principal research scientist of Honeywell Labs at the Honeywell International Inc.

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

17.11.2012

Herausgeber

Verlag

Springer Us

Seitenzahl

260

Maße (L/B/H)

24,1/16/1,8 cm

Gewicht

570 g

Auflage

2013

Sprache

Englisch

ISBN

978-1-4614-4456-5

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Graph Embedding for Pattern Analysis
  • Produktbild: Graph Embedding for Pattern Analysis
  • Multilevel Analysis of Attributed Graphs for Explicit Graph Embedding in Vector Spaces.- Feature Grouping and Selection over an Undirected Graph.- Median Graph Computation by Means of Graph Embedding into Vector Spaces.- Patch Alignment for Graph Embedding.- Feature Subspace Transformations for Enhancing K-Means Clustering.- Learning with ¿1-Graph for High Dimensional Data Analysis.- Graph-Embedding Discriminant Analysis on Riemannian Manifolds for Visual Recognition.- A Flexible and Effective Linearization Method for Subspace Learning.- A Multi-Graph Spectral Approach for Mining Multi-Source Anomalies.-

    Graph Embedding for Speaker Recognition.