文献

J-GLOBAL ID：201802218431245258   整理番号：18A1872701

親和パラメータ化状態空間モデル:尤度関数を最大化する方法【JST・京大機械翻訳】

Affinely Parametrized State-space Models: Ways to Maximize the Likelihood Function

著者 (4件)： Wills Adrian (School of Electrical Engineering and Computer Science, University of Newcastle, Australia) ,  Yu Chengpu (School iof Automation, Beijing Institute of Technology) ,  Ljung Lennart (Division of Automatic Control, Department of Electrical Engineering, Linkoping University, Sweden) ,  Verhaegen Michel (Delft Center for Systems and Control, Delft University, Delft 2628CD, Netherlands)
資料名： IFAC PapersOnLine  (IFAC PapersOnLine)
巻： 51  号： 15  ページ： 718-723  発行年： 2018年 
JST資料番号： W3101A  ISSN： 2405-8963  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 線形状態空間モデルを同定するために最大尤度(または予測誤差)法を用いることは主要な技術である。尤度関数は非凸関数であり,数値最大化において注意を払わなければならない。ここでは,いくつかの特別な技術とアルゴリズムを可能にするアフィンパラメータ化に焦点を当てた。本論文では,最大化を定式化し実行するための3つのアプローチについて述べた。(1)標準的で良く知られたGauss-Newton反復探索,(2)EM(期待値最大化)技術に基づく方式,(3)パラメータ空間におけるより高い次元への問題のリフティングに基づく新しいアプローチ,ランク制約を導入する。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最尤法 ,  *パラメタリゼーション ,  定式化 ,  *尤度関数 ,  線形性 ,  予測誤差 ,  リフティング ,  凸関数 ,  アルゴリズム
準シソーラス用語： パラメータ空間 ,  EMアルゴリズム ,  *状態空間モデル , 【Automatic Indexing@JST】

著者キーワード (4件)： パラメータ化状態空間モデル ,  最尤推定 ,  期待値最大化アルゴリズム ,  凸最適化

分類 (3件)： システム同定  (IA02040O) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： パラメータ化 ,  状態空間モデル ,  尤度関数 ,  最大化