Dimensionality reduction for diffractogram metrics
Hoy en día comparar Difractogramas tiene limitaciones que pueden ser reducidas o eliminadas usando métricas de difractogramas y técnicas de aprendizaje no supervisado como reducción de dimensionalidad o clustering. Esta tesis está enfocada en el uso de técnicas de reducción de dimensionalidad como m...
- Autores:
-
Escalante Pérez, María Alejandra
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/51538
- Acceso en línea:
- http://hdl.handle.net/1992/51538
- Palabra clave:
- Difractogramas
Cristalografía
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | Hoy en día comparar Difractogramas tiene limitaciones que pueden ser reducidas o eliminadas usando métricas de difractogramas y técnicas de aprendizaje no supervisado como reducción de dimensionalidad o clustering. Esta tesis está enfocada en el uso de técnicas de reducción de dimensionalidad como multidimensional scaling, t-distributed stochastic neighbor embedding y isometric mapping para visualizar y entender las relaciones entre los difractogramas haciendo uso de las métricas propuestas por Nicolas Lopez. El objetivo es encontrar el algoritmo de reducción que de los mejores resultados para esta aplicación en especifico para que en el futuro estas visualizaciones puedan ser usadas para análisis y clasificación.-- |
|---|