Entwicklung eines Monte-Carlo-Verfahrens zum selbständigen Lernen von Gauß-Mischverteilungen

Please use this identifier to cite or link to this item:
https://nbn-resolving.org/urn:nbn:de:gbv:700-2005030314
Open Access logo originally created by the Public Library of Science (PLoS)
Title: Entwicklung eines Monte-Carlo-Verfahrens zum selbständigen Lernen von Gauß-Mischverteilungen
Authors: Lauer, Martin
Thesis advisor: Prof. Dr. Martin Riedmiller
Thesis referee: Prof. Dr. Klaus-Robert Müller
Abstract: In der Arbeit wird ein neuartiges Lernverfahren für Gauß-Mischverteilungen entwickelt. Es basiert auf der Technik der Markov-Chain Monte-Carlo Verfahren und ist in der Lage, in einem Zuge die Größe der Mischverteilung sowie deren Parameter zu bestimmen. Das Verfahren zeichnet sich sowohl durch eine gute Anpassung an die Trainingsdaten als auch durch eine gute Generalisierungsleistung aus. Ausgehend von einer Beschreibung der stochastischen Grundlagen und einer Analyse der Probleme, die beim Lernen von Gauß-Mischverteilungen auftreten, wird in der Abeit das neue Lernverfahren schrittweise entwickelt und seine Eigenschaften untersucht. Ein experimenteller Vergleich mit bekannten Lernverfahren für Gauß-Mischverteilungen weist die Eignung des neuen Verfahrens auch empirisch nach.
URL: https://repositorium.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-2005030314
Subject Keywords: Gaussian mixture models; Markov-Chain Monte-Carlo; Data Augmentation; unsupervised learning
Issue Date: 3-Mar-2005
Type of publication: Dissertation oder Habilitation [doctoralThesis]
Appears in Collections:FB06 - E-Dissertationen

Files in This Item:
File Description SizeFormat 
E-Diss395_thesis.pdfPräsentationsformat1,87 MBAdobe PDF
E-Diss395_thesis.pdf
Thumbnail
View/Open


Items in repOSitorium are protected by copyright, with all rights reserved, unless otherwise indicated. rightsstatements.org