Sequential bayesian modeling of non-stationary non-Gaussian processes
Durağan-olmayan Gauss-dışı dağılımlı süreçlerin Bayesçi yaklaşımlarla modellenmesi
- Tez No: 200125
- Danışmanlar: PROF. DR. AYŞIN ERTÜZÜN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2007
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2013
Endüstri ve Endüstri MühendisliğiOklahoma State UniversityEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZHENYU (JAMES) KONG
- 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
2020
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Lageos I ve lageos II için doğruluk analizi
Başlık çevirisi yok
GAYE KIZILSU
Doktora
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiÖlçme Tekniği Ana Bilim Dalı
DOÇ. DR. MUHAMMET ŞAHİN
- 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
2007
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜBECCEL DEMİREKLER
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN