Optimalizace markovských modelů pomocí SWO

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03145659" target="_blank" >RIV/68407700:21230/08:03145659 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Particle Swarm Optimization of Hidden Markov Models: a comparative study

Popis výsledku v původním jazyce

In recent years, Hidden Markov Models (HMM) have been increasingly applied in data mining applications. However, most authors have used classical optimization Expectation- Maximization (EM) scheme. A new method of HMM learning based on Particle Swarm Optimization (PSO) has been developed. Along with others global approaches as Simulating Annealing (SIM) and Genetic Algorithms (GA) the following local gradient methods have been also compared: classical Expectation-Maximization algorithm, Maximum A Posteriory approach (MAP) and Bayes Variational learning (VAR). The methods are evaluated on a synthetic data set using different evaluation criteria including classification problem. The most reliable optimization approach in terms of performance, numerical stability and speed is VAR learning followed by PSO approach.

Název v anglickém jazyce

Particle Swarm Optimization of Hidden Markov Models: a comparative study

Popis výsledku anglicky

In recent years, Hidden Markov Models (HMM) have been increasingly applied in data mining applications. However, most authors have used classical optimization Expectation- Maximization (EM) scheme. A new method of HMM learning based on Particle Swarm Optimization (PSO) has been developed. Along with others global approaches as Simulating Annealing (SIM) and Genetic Algorithms (GA) the following local gradient methods have been also compared: classical Expectation-Maximization algorithm, Maximum A Posteriory approach (MAP) and Bayes Variational learning (VAR). The methods are evaluated on a synthetic data set using different evaluation criteria including classification problem. The most reliable optimization approach in terms of performance, numerical stability and speed is VAR learning followed by PSO approach.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Distributed Human-Machine Systems

ISBN

978-80-01-04027-0

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

—

Název nakladatele

CTU Publishing House

Místo vydání

Praha

Místo konání akce

Athens

Datum konání akce

9. 3. 2008

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—