数据科学问题中的分形多样性方法
摘要：抽象中得到了通过参数（SNR）来区分高斯函数与其他函数的方法，这个方法可以描述具有强交叉相关数据的集体状态。在一维空间中确定了信噪比（SNR）并给出了基于Cantor尘埃的分形多样性的计算算法。该算法对初始数据集的线性变换具有不变性，具有重标定群不变性，能够确定数据的交叉相关（集体效应）的强度。对集体状态的描述是普适的，不依赖于数据相关性的性质，也不依赖于数据相关性的随机变量分布的普适性。该方法适用于在信息技术中获得的大型非高斯或奇异数据集。通过将该方法应用于数字X射线衍射光谱的强度数据，并计算集体效应，可以确定具有生物活性的构象体，从而验证了Koshland的假设。
作者：Vitalii Vladimirov, Elena Vladimirova
论文ID：1804.02663
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2018-04-10