Average Competitive Learning Vector Quantization

Abstract : We propose a new algorithm for vector quantization:Average Competitive Learning Vector Quantization(ACLVQ). It is a rather simple modi cation of the classical Competitive Learning Vector Quantization(CLVQ). This new formulation gives us similar results for the quantization error to those obtained by the CLVQ and reduce considerably the computation time to achieve the optimal quantizer. We establish the convergence of the method via the Kushner-Clark approach, and compare the two algorithms via the central limit Theorem. A simulation study is carried out showing the good performance of our proposal.
Type de document :
Pré-publication, Document de travail
MAP5 2012-10. 2012
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-00685960
Contributeur : Jean-Claude Fort <>
Soumis le : vendredi 6 avril 2012 - 14:44:17
Dernière modification le : mardi 11 octobre 2016 - 12:02:48
Document(s) archivé(s) le : mercredi 14 décembre 2016 - 20:44:49

Fichier

ACLVQ_4.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00685960, version 1

Collections

Citation

Luis Armando Salomon, Jean-Claude Fort, Li-Vang Lozada Chang. Average Competitive Learning Vector Quantization. MAP5 2012-10. 2012. <hal-00685960>

Partager

Métriques

Consultations de
la notice

165

Téléchargements du document

162