Geri Dön

Sequential bayesian modeling of non-stationary non-Gaussian processes

Durağan-olmayan Gauss-dışı dağılımlı süreçlerin Bayesçi yaklaşımlarla modellenmesi

  1. Tez No: 200125
  2. Yazar: ORHAN DENİZ GENÇAĞA
  3. Danışmanlar: PROF. DR. AYŞIN ERTÜZÜN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2007
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 213

Özet

viÖZETDURAĞAN-OLMAYAN GAUSS-DIŞI DAĞILIMLI SÜREÇLER NBAYESÇ YAKLAŞIMLARLA MODELLENMESBu tez, birçok disiplinde sıkça karşılaşılan durağan-olmayan Gauss-dışı dağılımlısüreçlerin modellenmesi için genel bir yaklaşım sunmaktadır. Literatürde durağan-olmayansüreçlerin modellenebilmesi için birçok farklı yöntem kullanılmıştır. Ancak, Ardışıl MonteCarlo (Parçacık Süzgeçleri) metodlarının geliştirilmesine kadar bahsi geçen yöntemlerGauss-dışı süreçlerin yer aldığı artan modelleme talebine karşı yetersiz kalmışlardır. Genelparçacık süzgeçlerinde, problem doğrusal olmayan ve/veya Gauss-dışı durum-uzaydenklemleri ile ifade edilir ve bizim durum geçişleri hakkında işlevsel bilgiye ihtiyacımızvardır. Bu tezde, bu geçişlerin bilinmediği ve süreç dağılımlarının kapalı forma sahipolasılık yoğunluk işlevleri tarafından ifade edilemediği problemler için genel bir çözümgetirilmektedir. Burada, bu problemlerin hepsini kapsayabilecek ve mümkün olduğu kadargenel, yeni bir modelleme yöntemi öne sürülmektedir. lk olarak, hem bilinmeyen hem dezamanla değişen öz-bağlanım katsayıları ve dağılım parametrelerine sahip Zamanla-Değişen Öz-bağlanımlı Alfa Kararlı süreçlerin modellenmesi için yeni bir teknikgeliştirilmiştir. Olumlu başarım sonuçları, sonsal Cramer Rao Alt Sınırları iledesteklenmiştir. Daha sonra, Gauss-dışı süreçlerin sürdüğü vektörel öz-bağlanımlısüreçlerin de modellenebildiği öz-ilintili işaretlerin modellenebilmesi için metodumuzgenelleştirilmiştir. Ardından, bu genelleştirme, karışımlarından hem karışım matrisi hemde saklı süreçlerin modellenebildiği daha genel bir çözüm için yapı-taşı olarakkullanılmıştır. Bu, durağan-olmayan Bağımlı Bileşen Analizi için bir çözüm olarakdüşünülebilir. Başarılı simülasyon sonuçları metodolojimizin çok esnek olduğunu veyukarıda anlatılan tüm problemlerdeki durağan-olmayan süreçlerin modellenebilmesi içingenel bir çözüm sağladığını doğrulamıştır.

Özet (Çeviri)

vABSTRACTSEQUENTIAL BAYESIAN MODELING OF NON-STATIONARYNON-GAUSSIAN PROCESSESThis thesis brings a unifying approach for modeling non-stationary non-Gaussiansignals which are widely encountered in many multidisciplinary research fields. In theliterature, different approaches have been used to model non-stationary signals. However,they could not fulfill the increasing needs where non-Gaussian processes are involved untilthe development of Sequential Monte Carlo techniques (particle filters). In general particlefiltering, the problem is expressed in terms of nonlinear and/or non-Gaussian state-spaceequations and we need information about the functional form of the state variations. In thisthesis, we bring a general solution for cases where these variations are unknown and theprocess distributions cannot be expressed by a closed form probability density function.We propose a novel modeling scheme which is as unified as possible to cover theseproblems. First, a novel technique is proposed to model Time-Varying AutoregressiveAlpha Stable processes where unknown, time-varying autoregressive coefficients anddistribution parameters can be estimated. Successful performances have been supported byposterior Cramer Rao Lower Bound values. Next, we extend our methodology to modelcross-correlated signals where vector autoregressive processes with non-Gaussian drivingsignals can also be modeled. Later, this extension is used as a building block to provide amore unifying solution where both mixing matrix and latent processes are modeled fromtheir mixtures. This can be interpreted as a solution for non-stationary DependentComponent Analysis. Successful simulation results verify that our methodology is veryflexible and provides a unifying solution for the modeling of non-stationary processes inall cases described above.

Benzer Tezler

  1. Sensor based real-time process monitoring for ultra-precision manufacturing processes with non-linearity and non-stationarity

    Doğrusal ve durağan olmayan ultra hassas üretim süreçleri için sensör tabanlı gerçek zamanlı süreç izleme

    ÖMER FARUK BEYCA

    Doktora

    İngilizce

    İngilizce

    2013

    Endüstri ve Endüstri MühendisliğiOklahoma State University

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZHENYU (JAMES) KONG

  2. Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition

    Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım

    MASTANEH TORKAMANI AZAR

    Doktora

    İngilizce

    İngilizce

    2020

    BiyomühendislikSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

    Prof. Dr. SELİM SAFFET BALCISOY

  3. Lageos I ve lageos II için doğruluk analizi

    Başlık çevirisi yok

    GAYE KIZILSU

    Doktora

    Türkçe

    Türkçe

    1998

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Ölçme Tekniği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET ŞAHİN

  4. A comparative evaluation of conventional and particle filter based radar target tracking

    Klasik ve parçacık süzgeci tabanlı radar hedef takibinin karşılaştırmalı değerlendirmesi

    BERKİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2007

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜBECCEL DEMİREKLER

  5. Purchase prediction and item prediction with RNN using different user-item interactions

    Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi

    FULYA ÇELEBİ SARIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN