Nonlinear Switching State-Space Models
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Valpola, Harri | |
| dc.contributor.author | Honkela, Antti | |
| dc.contributor.department | Teknillisen fysiikan ja matematiikan osasto | fi |
| dc.contributor.school | Teknillinen korkeakoulu | fi |
| dc.contributor.school | Helsinki University of Technology | en |
| dc.contributor.supervisor | Karhunen, Juha | |
| dc.date.accessioned | 2020-12-04T13:56:07Z | |
| dc.date.available | 2020-12-04T13:56:07Z | |
| dc.date.issued | 2001 | |
| dc.description.abstract | Epälineaarinen vaihtuva tila-avaruusmalli (vaihtuva NSSM) on kahden dynaamisen mallin yhdistelmä. Epälineaarinen tila-avaruusmalli (NSSM) on jatkuva ja kätketty Markov-malli (HMM) diskreetti. Vaihtuvassa mallissa NSSM mallittaa datan lyhyen aikavälin dynamiikkaa. HMM kuvaa pidempiaikaisia muutoksia ja ohjaa NSSM:a. Tässä työssä kehitetään vaihtuva NSSM ja oppimisalgoritmi sen parametreille. Oppimisalgoritmi perustuu bayesiläiseen ensemble-oppimiseen, jossa todellista posteriorijakaumaa approksimoidaan helpommin käsiteltävällä jakaumalla. Sovitus tehdään todennäköisyysmassan perusteella ylioppimisen välttämiseksi. Algoritmin toteutus perustuu TkT Harri Valpolan aiempaan NSSM-algoritmiin. Se käyttää monikerros-perception -verkkoja NSSM:n epälineaaristen kuvausten mallittamiseen. NSSM-algoritmin laskennallinen vaativuus rajoittaa vaihtuvan mallin rakennetta. Vain yhden dynaamisen mallin käyttö on mahdollista. Tällöin HMM:a käytetään vain NSSM:n ennustusvirheiden mallittamiseen. Tämä lähestymistapa on laskennallisesti kevyt mutta hyödyntää HMM:a vain vähän. Algoritmin toimivuutta kokeillaan todellisella puhedatalla. Vaihtuva NSSM osoittautuu paremmaksi datan mallittamisessa kuin muut yleiset mallit. Työssä näytetään myös, kuinka algoritmi pystyy järkevästi segmentoimaan puhetta erillisiksi foneemeiksi, kun ainoastaan foneemien oikea järjestys tunnetaan etukäteen. | fi |
| dc.format.extent | 93 | |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/89025 | |
| dc.identifier.urn | URN:NBN:fi:aalto-2020120447860 | |
| dc.language.iso | en | en |
| dc.programme.major | Informaatiotekniikka | fi |
| dc.programme.mcode | Tik-61 | fi |
| dc.rights.accesslevel | closedAccess | |
| dc.subject.keyword | switching model | en |
| dc.subject.keyword | vaihtuva malli | fi |
| dc.subject.keyword | hybrid model | en |
| dc.subject.keyword | hybridi | fi |
| dc.subject.keyword | nonlinear state-space model | en |
| dc.subject.keyword | epälineaarinen tila-avaruusmalli | fi |
| dc.subject.keyword | hidden Markov model | en |
| dc.subject.keyword | kätketty Markov-malli | fi |
| dc.subject.keyword | ensemble learning | en |
| dc.title | Nonlinear Switching State-Space Models | en |
| dc.title | Epälineaariset vaihtuvat tila-avaruusmallit | fi |
| dc.type.okm | G2 Pro gradu, diplomityö | |
| dc.type.ontasot | Master's thesis | en |
| dc.type.ontasot | Pro gradu -tutkielma | fi |
| dc.type.publication | masterThesis | |
| local.aalto.digiauth | ask | |
| local.aalto.digifolder | Aalto_02633 | |
| local.aalto.idinssi | 17813 | |
| local.aalto.openaccess | no |