Sequential Monte Carlo samplers for nonparametric bayesian mixture models
Parametrik olmayan bayesçi karışım modelleri için ardışık Monte Carlo örnekleyiciler
- Tez No: 350537
- Danışmanlar: PROF. DR. BİLGE GÜNSEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- 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
- Markov chain Monte Carlo Algorithm for Bayesian Policy Search
Bayes Politika Arama için Markov Zinciri Monte Carlo Algoritması
VAHID TAVAKOL AGHAEI
Doktora
İngilizce
2019
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. AHMET ONAT
DR. SİNAN YILDIRIM
- Parallel resampling for real-time sequential monte carlo
Gerçek zamanlı ardışık monte carlo örnekleyicileri için paralel yeniden örnekleme
ALPER KAMİL BOZKURT
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ TAYLAN CEMGİL
- Sequential Monte Carlo approach to inference in Bayesian choice models
Bayesci seçme modellerinde kestirim problemlerine ardışık Monte Karlo yaklaşımı
İLKER GÜNDOĞDU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. ALİ TAYLAN CEMGİL
- Parçacık filtreleri ile hedef takibi için yeniden örnekleme algoritmalarının geliştirilmesi
Development of resampling algorithms for target tracking with particle filters
AHMET BACAK
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiGebze Teknik ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ KÖKSAL HOCAOĞLU