search query: @instructor Särkkä, Simo / total: 9
results-list
reference: 4 / 9
« previous | next »
Author:Väänänen, Ville Juhana
Title:Gaussian filtering and smoothing based parameter estimation in nonlinear models for sequential data
Gaussiseen suodatukseen ja siloitukseen perustuva parametrien estimointi epälineaarisissa aikasarjamalleissa
Publication type:Master's thesis
Publication year:2012
Pages:[7] + 70      Language:   eng
Department/School:Lääketieteellisen tekniikan ja laskennallisen tieteen laitos
Main subject:Laskennallinen tekniikka   (S-114)
Supervisor:Lampinen, Jouko
Instructor:Särkkä, Simo
Electronic version URL: http://urn.fi/URN:NBN:fi:aalto-201305163115
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  1569   | Archive
Keywords:parameter estimation
sequential data
nonlinear state space models
expectation maximization
Quasi-Newton optimization
parametrien estimointi
aikasarjat
epälineaariset
tila-avaruusmallit
EM
Kvasi-Newton optimointi
Abstract (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.
Abstract (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.
ED:2012-12-18
INSSI record number: 45723
+ add basket
« previous | next »
INSSI