J.A. García

Publications (4)2.08 Total impact

• Article: Scientific subject categories of Web of Knowledge ranked according to their multidimensional prestige of influential journals

  J. A. García, Rosa Rodriguez‐Sánchez, J. Fdez‐Valdivia
  [show abstract] [hide abstract]
  ABSTRACT: A journal may be considered as having dimension-specific prestige when its score, based on a given journal ranking model, exceeds a threshold value. But a journal has multidimensional prestige only if it is a prestigious journal with respect to a number of dimensions—e.g., Institute for Scientific Information Impact Factor, immediacy index, eigenfactor score, and article influence score. The multidimensional prestige of influential journals takes into account the fact that several prestige indicators should be used for a distinct analysis of the impact of scholarly journals in a subject category. After having identified the multidimensionally influential journals, their prestige scores can be aggregated to produce a summary measure of multidimensional prestige for a subject category, which satisfies numerous properties. Using this measure of multidimensional prestige to rank subject categories, we have found the top scientific subject categories of Web of Knowledge as of 2010.
  Journal of the American Society for Information Science and Technology 02/2012; 63(5):1017 - 1029. · 2.08 Impact Factor
• Article: Boundary simplification in cartography preserving the characteristics of the shape features

  J.A. García, J. Fdez-Valdivia
  [show abstract] [hide abstract]
  ABSTRACT: In this paper, we assume that cartographic boundaries have features at a variety of different degrees of simplification and therefore each line segment showing a different feature must be simplified at its proper degree. Our boundary simplification method preserves the characteristics of the shape features, and therefore avoids missing fine features and overlooking coarse features. Here simplification consists of the dominant points detected on the line which has been segmented previously into a number of parts, each one showing a different feature at an appropriate degree of smoothing. We propose an automatic method to segment the line into a number of nonoverlapping parts, each one revealing a different feature. To find the best degree of simplification for each segment, we select the simplification minimizing a normalized measure of the zeros of curvature of the segment.
  Computers & Geosciences.
• Article: A method for invariant pattern recognition using the scale-vector representation of planar curves

  J.A. García, J. Fdez-Valdivia, R. Molina
  [show abstract] [hide abstract]
  ABSTRACT: This article presents a new process for shift, rotation, and scale invariant pattern recognition using shapes. We represent the shape by using its two-dimensional contour, and we describe this planar curve not at all different scales, but each one of parts in the curve isolating a different structure at a single scale. A scale-vector representation of contours usually avoids missing fine features and overlooking coarse features. A polygonal approximation of these planar curves can be made by joining the successive dominant points detected on the contour represented at its scale vector. Dominant points of digitized curves are points with high curvature value. We present a scale-vector-based dominant point detection algorithm which needs no input parameter and remains reliable even when features of multiple size are present on the digital contours. Model-based recognition is achieved by comparing the polygonal approximation to the contour extracted from shape A, which is stored as a model for some particular object, with the polygonal approximation to the contour extracted from shape B, which is found to exist in an image. To compare polygons we use the L2 distance between the turning functions of the two polygons. This method to compare polygons is invariant under translation, rotation and change of scale, taking time O(mnlogmn) to compare an m vertex polygon against an n vertex polygon.ZusammenfassungDieser Artikel stellt ein neues Verfahren für verschiebungs-, rotations- und skalierungs-invariante Mustererkennung unter Verwendung von Formen vor. Wir stellen die Form durch ihre zweidimensionale Kontur dar und beschreiben diese ebene Kurve nicht bei allen verschiedenen Skalierungen, sondern jeden der Teile in der Kurve, indem wir eine unterschiedliche Struktur bei einer einzigen Skalierung isolieren. Eine Skalierungs-Vektor-Darstellung von Konturen vermeidet normalerweise das Fehlen feiner Merkmale und das Übersehen grober Merkmale. Eine Polygon-Approximation dieser ebenen Kurven kann durch das Verbinden von aufeinanderfolgenden dominanten Punkten erreicht werden, die an der durch ihren Skalierungsvektor dargestellten Kontur detektiert werden. Dominante Punkte von digitalisierten Kurven sind Punkte mit hohem Krümmungswert. Wir stellen einen Skalierungs-Vektor basierenden Detektionsalgorithmus für dominante Punkte vor, der keine Eingangsparameter benötigt und auch zuverlässig bleibt, wenn Merkmale von vielfacher Gröβe auf den digitalen Konturen vorhanden sind. Die Modell-basierende Erkennung wird durch den Vergleich der Polygon-Approximation für die von der Form A gewonnene Kontur, die als Modell für jedes einzelne Objekt gespeichert wird, mit der Polygon-Approximation für die von der Form B gewonnene Kontur, die in einem Bild gefunden wurde, erreicht. Um die Polygone zu vergleichen, verwenden wir den L2-Abstand zwischen den Drehfunktionen der beiden Polygone. Diese Methode, Polygone zu vergleichen, ist invariant bezüglich Verschiebung, Rotation und einer Änderung der Skalierung und benötigt O(mnlogmn) Zeit, um ein m-Vertex Polygon mit einem n-Vertex Polygon zu vergleichen.RésuméCet article présente un nouveau processus pour la reconnaissance de formes invariante en termes de translation, rotation et échelle, utilisant les allures (shape). Nous représentons l'allure en utilisant ses contours 2-D, et nous décrivons cette courbe planaire non à toutes les échelles, mais chacune des parties de la courbe isolant une structure différente a une échelle unique. Une représentation par vecteur d'échelle permet en géneral d'éviter de manquer des structures fines et d'en négliger de grossières. Une approximation polygonale de ces courbes planaires peut être faite en joignant les point dominants successifs, detectés sur le contour représentéà son vecteur d'échelle. Les points dominants d'une courbe numerisée sont des points de haute valeur de courbure. Nous présentons un algorithme de détection de point dominant basé sur le vecteur d'échelle, qui n'a besoin d'aucun paramètre d'entrée et qui reste fiable même quand des structures de taille multiple sont présentés sur le contour numérique. La reconnaissance basée sur des modèles est effectuée en comparant l'approximation polygonale du contour extrait de la forme A, qui est stockée comme un modèle pour un objet particulier, avec l'approximation polygonale extraite de la forme B, qui se trouve dans l'image. Pour comparer les polygones, nous utilisons la distance L2 entre les fonctions tournantes des deux polygones. Cette methode de comparaison des polygones est invariante sous translation, rotation et changement d'échelle, prenant un temps O(mnlogmn) pour comparer un polygone àm sommets avec un polynome àn sommets.
  Signal Processing.
• Article: A dynamic approach for clustering data

  J.A. García, J. Fdez-Valdivia, F.J. Cortijo, R. Molina
  [show abstract] [hide abstract]
  ABSTRACT: This paper introduces a new method for clustering data using a dynamic scheme. An appropriate partitioning is obtained based on both a dissimilarity measure between pairs of entities as well as a dynamic procedure of splitting. A dissimilarity function is defined by using the cost of the optimum path from a datum to each entity on a graph, with the cost of a path being defined as the greatest distance between two successive vertices on the path. The procedure of clustering is dynamic in the sense that the initial problem of determining a partition into an unknown number of natural groupings has been reduced to a sequence of only two class splitting stages. Having arisen from any particular application, the proposed approach could be effective for many domains, and it is especially successful to identify clusters if there is lack of prior knowledge about the data set. The usefulness of the dynamic algorithm to deal with elongated or non-piecewise linear separable clusters as well as sparse and dense groupings is demonstrated with several data sets.ZusammenfassungDieser Beitrag stellt eine neue, auf einem dynamischen Ansatz beruhende Methode zum Clustering von Daten vor. Eine geeignete Unterteilung wird sowohl mittels eines Diskrepanzmaβes zwischen Datenpaaren als auch mittels einer dynamischen Unterteilungsprozedur erhalten. Das Diskrepanzmaβ ist über die Kosten eines optimalen Pfades von einem Datum zu jeder Einheit eines Graphs definiert, wobei die Kosten eines Pfades als gröβter Abstand zwischen zwei aufeinanderfolgenden Kanten des Pfades definiert sind. Die Clustering-Prozedur ist dynamisch in dem Sinn, daβ das ursprüngliche Problem, eine Unterteilung in eine unbekannte Anzahl natürlicher Gruppen zu finden, auf eine Aufeinanderfolge von lediglich Zweierunterteilungen zurückgeführt wurde. Der vorgestellte Ansatz, der aus der Behandlung eines spezifischen Problems entstanden ist, kann für viele Anwendungsgebiete effektiv sein, und er ist besonders erfolgreich beim Identifizieren von Clustern, wenn keine zusätzlichen Informationen über den Datensatz bekannt sind. Die Nützlichkeit dieses dynamischen Algorithmus bei der Anwendung auf ausgedehnte oder nicht stückweise linear separierbare Cluster und bei spärlicher und dichter Gruppierung der Daten wird an mehreren Datensätzen gezeigt.RésuméNous introduisons dans cet article une méthode nouvelle pour la coalescence de données utilisant une technique dynamique. Un partitionnement approprié est obtenu sur la base à la fois d'une mesure de dissimilarité entre des paires d'entités et d'une procédure dynamique de séparation. La fonction de dissimilarité est définie à l'aide du coût du chemin optimal reliant une donnée à chaque entité sur le graphe, le coût du chemin étant défini comme la plus grande distance entre deux sommets sur le chemin. La procédure de coalescence est dynamique dans le sens que le problème initial de détermination de la partition en un nombre inconnu de groupes naturels a été réduit à une séquence de deux étapes de séparation de classes seulement. N'étant pas issue d'une application particulière, I'approche proposée pourrait être efficace dans de nombreux domaines, et elle particulièrement apte à identifier des groupes lorsque il y a peu d'informations a priori sur l'ensemble de données. La capacité de l'algorithme dynamique à traiter des groupes de forme allongée ou non séparables par des frontières linéaires par morceaux ainsi que des groupes peu peuplés et denses est mise en évidence sur plusieurs ensembles de données.
  Signal Processing.