haku: @supervisor Lampinen, Jouko / yhteensä: 58
hakutulos-lista
viite: 9 / 58
« edellinen | seuraava »
Tekijä:Väänänen, Ville Juhana
Työn nimi:Gaussian filtering and smoothing based parameter estimation in nonlinear models for sequential data
Gaussiseen suodatukseen ja siloitukseen perustuva parametrien estimointi epälineaarisissa aikasarjamalleissa
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:[7] + 70      Kieli:   eng
Koulu/Laitos/Osasto:Lääketieteellisen tekniikan ja laskennallisen tieteen laitos
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Lampinen, Jouko
Ohjaaja:Särkkä, Simo
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201305163115
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  1569   | Arkisto
Avainsanat:parameter estimation
sequential data
nonlinear state space models
expectation maximization
Quasi-Newton optimization
parametrien estimointi
aikasarjat
epälineaariset
tila-avaruusmallit
EM
Kvasi-Newton optimointi
Tiivistelmä (fin): Tila-avaruusmallinnus on eräs laajalti käytetty aikasarjojen mallinnusmenetelmä.
Tila-avaruusmallin voidaan ajatella sisältävän kaksi keskenään vuorovaikkuteista estimointiongelmaa: dynaamisten tilojen estimointi sekä staattisten parametrien estimointi.
Näiden estimointiongelmien vaikeuteen vaikuttaa erityisen paljon mallin lineaarisuus - sekä tilojen että parametrien suhteen.

Tässä diplomityössä näytämme, kuinka staattisia parametrejä voidaan estimoida suurimman uskottavuuden estimaattorilla tai posteriorijakauman maksimoivalla estimaattorilla.
Analysoimme kahta eri menetelmää: uskottavuusfunktion gradienttipohjaista epälineerista optimointia sekä expectation maximization algoritmiä.
Näistä ensimmäinen vaatii suodinjakaumien ja jälkimmäinen sekä suodin- että siloitusjakaumien ratkaisemista.
Mikäli näitä jakaumia ei voida ratkaista suljetussa muodossa, käytämme tehokkaita Gaussiseen suodatukseen perustuvia menetelmiä niiden likimääräiseen ratkaisemiseen.

Lopputuloksina saatuja parametriestimointimenetelmiä sovelletaan ensin lineaarisessa kohteenseurantamallissa simuloidulla datalla ja sen jälkeen epälineaarisessa stokastisessa resonaattorimallissa fotopletysmografidatalla.
Tiivistelmä (eng): State space modeling is a widely used statistical approach for sequential data.
The resulting models can be considered to contain two interconnected estimation problems: that of the dynamic states and that of the static parameters.
The difficulty of these problems depends critically on the linearity of the model, with respect to the states, the parameters or both.

In this thesis we show how to obtain maximum likelihood and maximum a posteriori estimates for the static parameters.
Two methods are considered: gradient based nonlinear optimization of the marginal log-likelihood and expectation maximization.
The former requires the filtering distributions and the latter both the filtering and the smoothing distributions.
When closed form solutions to these distributions are unavailable, we apply efficient Gaussian filtering based methods to obtain approximations.

The resulting parameter estimation algorithms are demonstrated by a linear target-tracking model with simulated data and a nonlinear stochastic resonator model with photoplethysmograph data.
ED:2012-12-18
INSSI tietueen numero: 45723
+ lisää koriin
« edellinen | seuraava »
INSSI