ScholarGate
Assistent
Machine learningTopological data analysis

Persistent Homology

Persistent homologi er en metode inden for topologisk dataanalyse, der kvantificerer den multiskala topologiske struktur af data ved at spore forbundne komponenter, løkker og hulrum, efterhånden som en skalaparameter varierer. Metoden blev introduceret af Edelsbrunner, Letscher og Zomorodian i 2002 og koder topologiske træk gennem deres fødsels- og dødsskalaer, hvilket producerer persistensdiagrammer eller stregkoder, der fungerer som kompakte, koordinatfri beskrivelser af form. Tilgangen er robust over for støj og giver en matematisk stringent bro mellem diskrete data og algebraisk topologi.

Åbn i MethodMindSnartVideoSnartHent slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Metodekort

Nabolaget af beslægtede metoder — vælg en knude for at udforske.

Kilder

  1. Edelsbrunner, H., Letscher, D., & Zomorodian, A. (2002). Topological persistence and simplification. Discrete & Computational Geometry, 28(4), 511–533. DOI: 10.1007/s00454-002-2885-2
  2. Carlsson, G. (2009). Topology and data. Bulletin of the American Mathematical Society, 46(2), 255–308. DOI: 10.1090/S0273-0979-09-01249-X

Sådan citerer du denne side

ScholarGate. (2026, June 2). Persistent Homology (Topological Data Analysis). ScholarGate. https://scholargate.app/da/topology/persistent-homology

Hvilken metode?

Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.

Sammenlign side om side

Refereret af

ScholarGatePersistent Homology (Persistent Homology (Topological Data Analysis)). Hentet 2026-06-15 fra https://scholargate.app/da/topology/persistent-homology · Datasæt: https://doi.org/10.5281/zenodo.20539026