UA-61751701-2

Generating Random Variates via Kernel Density Estimation and Radial Basis Function Based Neural Networks
    • español
    • English
EscuelaIng
  • English 
    • español
    • English
  • Login
  • Inicio
  • Guías de Uso
    • Directrices
    • Procedimientos de Trabajo de Grado
    • Guía de Autoarchivo
    • Formato de Autorización para Publicación
  • Navegar
    • Comunidades
    • Autores
    • Títulos
    • Fechas
    • Materias
    • Tipo de Material
  • Investigadores
  • Organizaciones
  • Proyectos

Repositorio Digital

  • Comunities Comunities
  • Authors Authors
  • Titles Titles
  • Dates Dates
  • Subjects Subjects
  • Resource Type Resource Type
View Item 
  •   DSpace Home
  • 2 - Investigación
  • A - Grupos de Investigación
  • AI - Centro de Investigación en Manufactura y Servicios – CIMSER
  • View Item
  •   DSpace Home
  • 2 - Investigación
  • A - Grupos de Investigación
  • AI - Centro de Investigación en Manufactura y Servicios – CIMSER
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Cambiar vista

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsResource TypeThis CollectionBy Issue DateAuthorsTitlesSubjectsResource Type

My Account

LoginRegister

Statistics

View Usage Statistics

Generating Random Variates via Kernel Density Estimation and Radial Basis Function Based Neural Networks


Candia García, Cristian
Forero, Manuel G.
Herrera Rivera, Sergio

Capítulo - Parte de Libro

2019

Springer Nature

Variable aleatoriaBuscar en Repositorio UMECIT
Distribución de probabilidadBuscar en Repositorio UMECIT
Teoría de las distribuciones (Análisis funcional)Buscar en Repositorio UMECIT
Theory of distributions (Functional analysis)Buscar en Repositorio UMECIT
Funciones KernelBuscar en Repositorio UMECIT
Kernel functionsBuscar en Repositorio UMECIT
General regression neural networkBuscar en Repositorio UMECIT
Probabilistic neural networkBuscar en Repositorio UMECIT
Kernel density estimationBuscar en Repositorio UMECIT
Random variableBuscar en Repositorio UMECIT
Probability distributionBuscar en Repositorio UMECIT

When modeling phenomena that cannot be studied by deterministic analytical approaches, one of the main tasks is to generate random variates. The widely-used techniques, such as the inverse transformation, convolution, and rejection-acceptance methods, involve a significant amount of statistical work and do not provide satisfactory results when the data do not conform to the known probability density functions. This study aims to propose an alternative nonparametric method for generating random variables that combines kernel density estimation (KDE), and radial basis function based neural networks (RBFBNNs). We evaluate the method’s performance using Poisson, triangular, and exponential probability density distributions and assessed its utility for unknown distributions. The results show that the model’s effectiveness depends substantially on selecting an appropriate bandwidth value for KDE and a certain minimum number of data points to train the algorithm. the proposed method enabled us to achieve an R2 value between 0.91 and 0.99 for analyzed distributions.
 
Cuando se modelan fenómenos que no se pueden estudiar mediante enfoques analíticos deterministas, una de las principales tareas es generar variables aleatorias. Las técnicas ampliamente utilizadas, como los métodos de transformación inversa, convolución y rechazo-aceptación, involucran una cantidad significativa de trabajo estadístico y no brindan resultados satisfactorios cuando los datos no se ajustan a las funciones de densidad de probabilidad conocidas. Este estudio tiene como objetivo proponer un método no paramétrico alternativo para generar variables aleatorias que combine la estimación de la densidad del kernel (KDE) y las redes neuronales basadas en funciones de base radial (RBFBNN). Evaluamos el rendimiento del método usando distribuciones de densidad de probabilidad Poisson, triangular y exponencial y evaluamos su utilidad para distribuciones desconocidas. Los resultados muestran que la efectividad del modelo depende sustancialmente de seleccionar un valor de ancho de banda apropiado para KDE y un cierto número mínimo de puntos de datos para entrenar el algoritmo. el método propuesto nos permitió alcanzar un valor de R2 entre 0,91 y 0,99 para las distribuciones analizadas.
 

https://repositorio.escuelaing.edu.co/handle/001/1605

https://doi.org/10.1007/978-3-030-13469-3_29

Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications

  • AI - Centro de Investigación en Manufactura y Servicios – CIMSER [49]

Descripción: Generating Random Variates via Kernel Density Estimation and Radial Basis Function Based Neural Networks.pdf
Título: Generating Random Variates via Kernel Density Estimation and Radial Basis Function Based Neural Networks.pdf
Tamaño: 267.0Kb

Unicordoba LogoPDFClosed Access

Show full item record

Cita

Cómo citar

Cómo citar

Miniatura

Gestores Bibliográficos

Exportar a Bibtex

Exportar a RIS

Exportar a Excel

Buscar en google Schoolar

Buscar en microsoft academic

untranslated

Código QR

Envíos recientes

    No hay artículos recientes

Oferta académica

Carreras profesionales

Especializaciones

Maestrías

Doctorado

Nustros Campus

Introducción al campus

Tecnología

Fortalezas

Premios y reconocimientos

Flora y fauna

Visita el campus

Internacionalización

Programas y alianzas

Movilidad

Sobre la Escuela y Bogotá

Convenios internacionales, nacionales y con colegios

Ayuda

PQRSFC

Centro de Ayuda

Contáctenos

Habeas Data

Centro de Servicios Tecnológicos

Directorio Escuela

acriditación institucional
icoMaps

AK. 45 No. 205 - 59, Autopista Norte.

PBX: +57(1) 668 3600 - Bogotá.

Línea nacional gratuita:

018000112668.

Sistema DSPACE - Metabiblioteca | logo