Cluster analysis is one of the most

Cluster analysis is one of the most popular data analysis tools in a wide range of applied disciplines. We propose and justify a computationally efficient and straightforward-to-implement way of imposing the available information from networks/graphs (a priori available in many application areas) on a broad family of clustering methods. The introduced approach is illustrated on the problem of a noninvasive unsupervised brain signal classification. This task is faced with several challenging difficulties such as nonstationary noisy signals and a small sample size, combined with a high-dimensional feature space and huge noise-to-signal ratios. Applying this approach results in an exact unsupervised classification of very short signals, opening new possibilities for clustering methods in the area of a noninvasive brain-computer interface.

Results (Thai) 1:

การวิเคราะห์กลุ่มเป็นหนึ่งในที่สุดเครื่องมือในการวิเคราะห์ข้อมูลที่ได้รับความนิยมในหลากหลายสาขาวิชาประยุกต์ เราเสนอและแสดงให้เห็นถึงวิธีที่มีประสิทธิภาพคอมพิวเตอร์และตรงไปตรงมาต่อการใช้การจัดเก็บภาษีของข้อมูลที่มีอยู่จากเครือข่าย / กราฟ (เบื้องต้นให้บริการในพื้นที่หลายโปรแกรม) ในครอบครัวในวงกว้างของวิธีการจัดกลุ่ม วิธีที่แนะนำคือตัวอย่างในปัญหาของการจัดหมวดหมู่สัญญาณสมองไม่รุกล้ำหากิน งานนี้จะต้องเผชิญกับความยากลำบากที่ท้าทายหลายอย่างเช่นสัญญาณมีเสียงดังไม่คงที่และขนาดของกลุ่มตัวอย่างขนาดเล็กรวมกับพื้นที่คุณลักษณะมิติสูงและอัตราส่วนเสียงต่อสัญญาณขนาดใหญ่ การประยุกต์ใช้ผลการใช้วิธีนี้ในการจัดหมวดหมู่ใกล้ชิดแน่นอนของสัญญาณที่สั้นมากเปิดโอกาสใหม่สำหรับการจัดกลุ่มวิธีการในพื้นที่ของอินเตอร์เฟซที่สมองของคอมพิวเตอร์ไม่รุกล้ำ

Results (Thai) 2:

การวิเคราะห์คลัสเตอร์เป็นหนึ่งในเครื่องมือการวิเคราะห์ข้อมูลที่นิยมมากที่สุดในหลากหลายสาขาวิชาประยุกต์ใช้ เราเสนอและปรับวิธีการในที่มีประสิทธิภาพและตรงไปปฏิบัติของการจัดเก็บภาษีข้อมูลที่มีอยู่จากเครือข่าย/กราฟ (priori ที่มีอยู่ในหลายพื้นที่แอพลิเคชัน) ในครอบครัวกว้างของวิธีการทำงานแบบคลัสเตอร์ วิธีการแนะนำจะแสดงให้พบปัญหาของการจำแนกประเภทของสมองไม่ถูกบุกรุก. งานนี้จะต้องเผชิญกับความยากลำบากที่ท้าทายหลายเช่นสัญญาณเสียงที่ไม่นิ่งและขนาดตัวอย่างเล็กๆรวมกับพื้นที่ที่มีคุณสมบัติสูงมิติและอัตราส่วนเสียงต่อสัญญาณที่มีขนาดใหญ่ การใช้วิธีการนี้ส่งผลให้การจำแนกประเภทที่แน่นอนของสัญญาณสั้นมากเปิดโอกาสใหม่สำหรับวิธีการทำงานแบบคลัสเตอร์ในพื้นที่ของอินเตอร์เฟซที่ไม่มีการบุกรุกสมอง-คอมพิวเตอร์

Results (Thai) 3:

การวิเคราะห์ข้อมูลเป็นหนึ่งในเครื่องมือที่นิยมมากที่สุดสำหรับการวิเคราะห์ข้อมูล เราเสนอและพิสูจน์วิธีการที่มีประสิทธิภาพสูงและใช้งานง่ายซึ่งกำหนดชุดของวิธีการที่กว้างขวางสำหรับการจัดกลุ่มข้อมูลที่มีอยู่จากตัวอย่างเครือข่าย กระดาษนี้จะแนะนำวิธีการจัดหมวดหมู่ของสัญญาณสมองโดยไม่มีการบาดเจ็บ งานนี้ต้องเผชิญกับความท้าทายเช่นสัญญาณเสียงไม่เสถียรตัวอย่างขนาดเล็กมิติสูงและอัตราส่วนสัญญาณต่อเสียงรบกวนสูง การประยุกต์ใช้วิธีนี้สามารถจำแนกสัญญาณสั้นมากโดยไม่ต้องดูแลที่ถูกต้องและเปิดโอกาสใหม่สำหรับการจัดกลุ่มวิธีการในด้านอินเตอร์เฟซที่ไม่สร้างสรรค์