Geri Dön

Sequential Monte Carlo samplers for nonparametric bayesian mixture models

Parametrik olmayan bayesçi karışım modelleri için ardışık Monte Carlo örnekleyiciler

  1. Tez No: 350537
  2. Yazar: YENER ÜLKER
  3. Danışmanlar: PROF. DR. BİLGE GÜNSEL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 152

Özet

Bu çalışmanın temel amacı parametrik olmayan Bayesçi model seçim teknikleri içinde önemli bir yere sahip olan, Dirichlet süreci karışım modelleri (DPM) için etkin ardışık Monte Carlo (SMC) örnekleyiciler tasarlamaktır. Tasarlanan algoritmalar, önerilen sınıf güncelleme metotları sayesinde, yeni gelen gözlemlerin ışığında parçacıkların geçmiş gezingelerinde değişiklik yaparak gerçek DPM sonsal dağılımına daha iyi bir yaklaşıklık sağlamaktadır. Önerilen metot, DPM sonsal dağılımının çözümünde kullanılan diğer ardışık Monte Carlo örnekleyicileri genelleme özelliğe sahiptir. Tek ve çok boyutlu olasılık kestirim problemleri ile duygu sezme problemlerinde yapılan değerlendirmelerde, özellikle sonsal dağılımın izole modlara sahip olduğu koşullarda, önerilen metodun klasik metotlara göre çok daha yüksek doğrulukta sonuca yakınsayabildiği görülmüştür. Ayrıca, manevralı hedeflerin takibinde ortaya atılan en yenilikçi modellerden biri olan değişken oranlı parçacık süzgeçleri (VRPF) tezde ele alınmış ve çoklu model yaklaşımları değişken oranlı modeller ile birleştirilerek, takip başarımını arttıran çoklu model değişken oranlı parçacık süzgeçleri (MM-VRPF) önerilmiştir. Çoklu model yaklaşımının manevralı hedef gezingelerini daha iyi modellediği, çeşitli benzetim sonuçları ile gösterilmiştir.

Özet (Çeviri)

In this thesis, we developed a novel online algorithm for posterior inference in Dirichlet Process Mixture (DPM) models that is based on the sequential Monte Carlo (SMC) samplers framework. The proposed method enables us to design new clustering update schemes, such as updating past trajectories of the particles in light of recent observations, and still ensures convergence to the true DPM posterior distribution asymptotically. Our method generalizes many sequential importance sampling based approaches and provides a computationally efficient improvement to particle filtering that is less prone to getting trapped in isolated modes. Performance has been evaluated in an infinite Gaussian mixture density estimation and multivariate audio emotion recognition problem. It is shown that the proposed algorithm outperforms conventional Monte Carlo approaches in terms of estimation variance, average log-marginal. Moreover, we deal with the maneuvering target tracking problem and incorporated multiple model approach with the recently introduced variable rate particle filters (VRPF) in order to improve the tracking performance. The proposed variable rate model structure, referred as Multiple Model Variable Rate Particle Filter (MM-VRPF) results in a much more accurate tracking.

Benzer Tezler

  1. Markov chain Monte Carlo Algorithm for Bayesian Policy Search

    Bayes Politika Arama için Markov Zinciri Monte Carlo Algoritması

    VAHID TAVAKOL AGHAEI

    Doktora

    İngilizce

    İngilizce

    2019

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. AHMET ONAT

    DR. SİNAN YILDIRIM

  2. Parallel resampling for real-time sequential monte carlo

    Gerçek zamanlı ardışık monte carlo örnekleyicileri için paralel yeniden örnekleme

    ALPER KAMİL BOZKURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ TAYLAN CEMGİL

  3. Sequential Monte Carlo approach to inference in Bayesian choice models

    Bayesci seçme modellerinde kestirim problemlerine ardışık Monte Karlo yaklaşımı

    İLKER GÜNDOĞDU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. DR. ALİ TAYLAN CEMGİL

  4. Parçacık filtreleri ile hedef takibi için yeniden örnekleme algoritmalarının geliştirilmesi

    Development of resampling algorithms for target tracking with particle filters

    AHMET BACAK

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiGebze Teknik Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ KÖKSAL HOCAOĞLU