Options
Pulvirenti, A.
Loading...
Preferred name
Pulvirenti, A.
Staff
staff
4 results
Now showing 1 - 4 of 4
- PublicationOpen AccessSimilarity Measures and Dimensionality Reduction Techniques for Time Series Data Mining(Intech, 2012)
; ; ; ; ; ;Cassisi, C.; Dipartimento di Matematica e Informatica, Universita` degli studi di Catania, Catania, Italy ;Montalto, P.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Aliotta, M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Cannata, A.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Pulvirenti, A.; Dipartimento di Matematica e Informatica, Universita` degli studi di Catania, Catania, Italy; ; ; ; ; ; ;Karahoca, A.; Bahcesehir University, Engineering FacultyThe chapter is organized as follows. Section 2 will introduce the similarity matching problem on time series. We will note the importance of the use of efficient data structures to perform search, and the choice of an adequate distance measure. Section 3 will show some of the most used distance measure for time series data mining. Section 4 will review the above mentioned dimensionality reduction techniques.445 1455 - PublicationRestrictedClustering and classification of infrasonic events atMount Etna using pattern recognition techniques(2011)
; ; ; ; ; ; ; ;Cannata, A.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Montalto, P.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Aliotta, M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Cassisi, C.; Università degli studi di Catania, Dipartimento di Matematica e Informatica, Catania, Italy ;Pulvirenti, A.; Università degli studi di Catania, Dipartimento di Matematica e Informatica, Catania, Italy ;Privitera, E.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Patanè, D.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia; ; ; ; ; ; Active volcanoes generate sonic and infrasonic signals, whose investigation provides useful information for both monitoring purposes and the study of the dynamics of explosive phenomena. At Mt. Etna volcano (Italy), a pattern recognition system based on infrasonic waveform features has been developed. First, by a parametric power spectrum method, the features describing and characterizing the infrasound events were extracted: peak frequency and quality factor. Then, together with the peak-to-peak amplitude, these features constituted a 3-D ‘feature space’; by Density-Based Spatial Clustering of Applications with Noise algorithm (DBSCAN) three clusters were recognized inside it. After the clustering process, by using a common location method (semblance method) and additional volcanological information concerning the intensity of the explosive activity, we were able to associate each cluster to a particular source vent and/or a kind of volcanic activity. Finally, for automatic event location, clusters were used to train a model based on Support Vector Machine, calculating optimal hyperplanes able to maximize the margins of separation among the clusters. After the training phase this system automatically allows recognizing the active vent with no location algorithm and by using only a single station.836 27 - PublicationRestrictedMotif Discovery on Seismic Amplitude Time Series: The Case Study of Mt Etna 2011 Eruptive Activity(2013)
; ; ; ; ; ; ; ;Cassisi, C.; Dipartimento di Matematica e Informatica, Universita` degli studi di Catania, Catania, Italy ;Aliotta, M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Cannata, A.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Montalto, P.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Patanè, D.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Pulvirenti, A.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Spampinato, L.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia; ; ; ; ; ; Algorithms searching for similar patterns are widely used in seismology both when the waveforms of the events of interest are known and when there is no a priori-knowledge. Such methods usually make use of the cross-correlation coefficient as a measure of similarity; if there is no a-priori knowledge, they behave as brute-force searching algorithms. The disadvantage of these methods, preventing or limiting their application to very large datasets, is computational complexity. The Mueen–Keogh (MK) algorithm overcomes this limitation by means of two optimization techniques—the early abandoning concept and space indexing. Here, we apply the MK algorithm to amplitude time series retrieved from seismic signals recorded during episodic eruptive activity of Mt Etna in 2011. By adequately tuning the input to the MK algorithm we found eight motif groups characterized by distinct seismic amplitude trends, each related to a different phenomenon. In particular, we observed that earthquakes are accompanied by sharp increases and decreases in seismic amplitude whereas lava fountains are accompanied by slower changes. These results demonstrate that the MK algorithm, because of its particular features, may have wide applicability in seismology.935 34 - PublicationOpen AccessPYDBSCAN UN SOFTWARE PER IL CLUSTERING DI DATI(2011)
; ; ; ; ; ;Cassisi, C.; UNIVERSITÀ DEGLI STUDI DI CATANIA Dipartimento di Matematica e Informatica ;Montalto, P.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Pulvirenti, A.; UNIVERSITÀ DEGLI STUDI DI CATANIA Dipartimento di Matematica e Informatica ;Aliotta, M.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia ;Cannata, A.; Istituto Nazionale di Geofisica e Vulcanologia, Sezione Catania, Catania, Italia; ; ; ; Con il termine clustering si indica il processo mediante il quale è possibile raggruppare oggetti in base a caratteristiche comuni (features). Questo approccio, alla base dei processi di estrazione di conoscenza da insiemi di dati (data mining), riveste notevole importanza nelle tecniche di analisi. Come verrà mostrato in questo lavoro, l’applicazione delle tecniche di clustering consente di analizzare dataset, con l’obiettivo di ricercare strutture che possano fornire informazioni utili circa i dati oggetto dello studio. Gli ambiti in cui tali algoritmi sono impiegati risultano essere eterogenei, a partire dalle analisi di dati biomedici, astrofisici, biologici, fino ad arrivare a quelli geofisici. La letteratura è ricca di vari casi di studio, dai quali il ricercatore può trarre spunto e adattare i differenti approcci alle proprie esigenze. Il software PyDBSCAN, oggetto del presente lavoro, permette di applicare tecniche di clustering basate sul concetto di densità, applicate ad oggetti (o punti) appartenenti ad insiemi definiti in uno spazio metrico. L’algoritmo di base è il DBSCAN (Density Based Spatial Clustering on Application with Noise) [Ester et al., 1996], di cui viene riportata una implementazione ottimizzata al fine di migliorare la qualità del processamento dei dati. Schematicamente, il sistema proposto può essere rappresentato come in Fig. 1. Il software, sviluppato in Python 2.6 [Python ref.], utilizza le librerie scientifiche Numpy [Numpy ref.], Matplotlib [matplotlib ref.] e la libreria grafica PyQt [PyQt ref.] impiegata nella realizzazione dell’interfaccia utente. Python è un linguaggio di programmazione che permette la realizzazione di applicazioni crossplatform in grado di funzionare su diversi sistemi operativi quali Windows, Unix, Linux e Mac OS. Nella prima parte del lavoro verranno brevemente descritte le tecniche oggetto del software presentato, mentre nella seconda parte verrà descritto un esempio di applicazione su dati reali.544 129