Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales
El método de embebimiento de distribuciones de probabilidad en un espacio de Hilbert con kernel reproductivo (RKHS) consiste en representar distribuciones de probabilidad como un elemento de un espacio de Hilbert generado por un kernel. Generalmente, este método ha sido usado en aplicaciones donde s...
- Autores:
-
Valencia Angulo, Edgar Alirio
- Tipo de recurso:
- Fecha de publicación:
- 2018
- Institución:
- Universidad Tecnológica de Pereira
- Repositorio:
- Repositorio Institucional UTP
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.utp.edu.co:11059/9824
- Acceso en línea:
- https://hdl.handle.net/11059/9824
- Palabra clave:
- Espacios de Hilbert
Procesos de markov
Funciones de Kernel
Procesamiento de señales - Técnicas digitales
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
id |
UTP2_fbdd011e12c5dcb3d6825b672f320139 |
---|---|
oai_identifier_str |
oai:repositorio.utp.edu.co:11059/9824 |
network_acronym_str |
UTP2 |
network_name_str |
Repositorio Institucional UTP |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
title |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
spellingShingle |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales Espacios de Hilbert Procesos de markov Funciones de Kernel Procesamiento de señales - Técnicas digitales |
title_short |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
title_full |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
title_fullStr |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
title_full_unstemmed |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
title_sort |
Embebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señales |
dc.creator.fl_str_mv |
Valencia Angulo, Edgar Alirio |
dc.contributor.advisor.none.fl_str_mv |
Álvarez López, Mauricio Alexander |
dc.contributor.author.none.fl_str_mv |
Valencia Angulo, Edgar Alirio |
dc.subject.spa.fl_str_mv |
Espacios de Hilbert Procesos de markov Funciones de Kernel Procesamiento de señales - Técnicas digitales |
topic |
Espacios de Hilbert Procesos de markov Funciones de Kernel Procesamiento de señales - Técnicas digitales |
description |
El método de embebimiento de distribuciones de probabilidad en un espacio de Hilbert con kernel reproductivo (RKHS) consiste en representar distribuciones de probabilidad como un elemento de un espacio de Hilbert generado por un kernel. Generalmente, este método ha sido usado en aplicaciones donde se supone que las observaciones son independientes e idénticamente distribuidas. Sin embargo, dentro de la literatura de los embebimiento de distribuciones de probabilidad en un RKHS, existen pocos trabajos donde se supone dependencia temporal de las observaciones. Motivado por este poderoso marco teórico del método de embebimiento de distribuciones en un RKHS, este trabajo de investigación desarrolla dos aplicaciones en Procesamiento Digital de Señales (DSP), donde se supondrá relación de dependencia entre las observaciones. En la primera aplicación, se introducen varias métricas entre distribuciones de probabilidad y entre modelos ocultos de Markov (HMMs), la discusión está limitada al kernel Gaussiano, al kernel de Laplaciano y al estimador de Parzen. Finalmente, se evalúa el rendimiento de las métricas en tareas de clasificación de series de tiempo, usando las métricas dentro del clasificador los K vecinos más cercanos. Los resultados muestran que nuestras métricas proporcionan una mejor precisión en clasificación de series de tiempo en comparación con la medida Kullback-Leibler (KL) y la métrica Euclidiana, en datos sintéticos y en datos reales. En la segunda aplicación, se propone una versión kernelizada de un modelo autoregresivo de orden p. Esta versión del modelo autorregresivo muestra un mayor rendimiento en predicción sobre el modelo lineal, en series de tiempo altamente complejas. Finalmente, la predicción se realiza un paso hacia adelante en diferentes series de tiempo, y nuestra versión del modelo autorregresivo se compara con otros métodos no lineales. |
publishDate |
2018 |
dc.date.issued.none.fl_str_mv |
2018 |
dc.date.accessioned.none.fl_str_mv |
2019-02-07T20:28:43Z 2021-11-02T19:43:37Z |
dc.date.available.none.fl_str_mv |
2019-02-07T20:28:43Z 2021-11-02T19:43:37Z |
dc.type.spa.fl_str_mv |
doctoralThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_db06 |
dc.type.hasVersion.spa.fl_str_mv |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/11059/9824 |
dc.identifier.local.spa.fl_str_mv |
T515.733 V152;6310000125109 F6646 |
url |
https://hdl.handle.net/11059/9824 |
identifier_str_mv |
T515.733 V152;6310000125109 F6646 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.spa.fl_str_mv |
application/pdf |
dc.publisher.spa.fl_str_mv |
Pereira : Universidad Tecnológica de Pereira |
dc.publisher.department.spa.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.program.spa.fl_str_mv |
Doctorado en Ingeniería |
institution |
Universidad Tecnológica de Pereira |
bitstream.url.fl_str_mv |
https://dspace7-utp.metabuscador.org/bitstreams/32615ec3-c381-472f-a97e-a41bd4ace6c7/download https://dspace7-utp.metabuscador.org/bitstreams/7149f1c5-3458-4fb1-a3dd-4e819a2c946f/download https://dspace7-utp.metabuscador.org/bitstreams/ca0d9bd7-3ee0-4f0f-95d4-636c899915c8/download https://dspace7-utp.metabuscador.org/bitstreams/3749be29-d550-483e-bb4b-c0d8e684b2ce/download https://dspace7-utp.metabuscador.org/bitstreams/01a9a6fe-f118-4177-b7c1-7f8d8c1363ce/download |
bitstream.checksum.fl_str_mv |
e2e549e0a1eff8f2de922c8fd2184f09 94a79a3d959fd144325e73ee9cfb7c17 7c9ab7f006165862d8ce9ac5eac01552 4902a5282840ce237c493f62f3d80098 04a4dd4fe13bc2e01221edf2bbc6e1b4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio de la Universidad Tecnológica de Pereira |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1814021901964541952 |
spelling |
Álvarez López, Mauricio AlexanderValencia Angulo, Edgar AlirioDoctor en Ingeniería2019-02-07T20:28:43Z2021-11-02T19:43:37Z2019-02-07T20:28:43Z2021-11-02T19:43:37Z2018https://hdl.handle.net/11059/9824T515.733 V152;6310000125109 F6646El método de embebimiento de distribuciones de probabilidad en un espacio de Hilbert con kernel reproductivo (RKHS) consiste en representar distribuciones de probabilidad como un elemento de un espacio de Hilbert generado por un kernel. Generalmente, este método ha sido usado en aplicaciones donde se supone que las observaciones son independientes e idénticamente distribuidas. Sin embargo, dentro de la literatura de los embebimiento de distribuciones de probabilidad en un RKHS, existen pocos trabajos donde se supone dependencia temporal de las observaciones. Motivado por este poderoso marco teórico del método de embebimiento de distribuciones en un RKHS, este trabajo de investigación desarrolla dos aplicaciones en Procesamiento Digital de Señales (DSP), donde se supondrá relación de dependencia entre las observaciones. En la primera aplicación, se introducen varias métricas entre distribuciones de probabilidad y entre modelos ocultos de Markov (HMMs), la discusión está limitada al kernel Gaussiano, al kernel de Laplaciano y al estimador de Parzen. Finalmente, se evalúa el rendimiento de las métricas en tareas de clasificación de series de tiempo, usando las métricas dentro del clasificador los K vecinos más cercanos. Los resultados muestran que nuestras métricas proporcionan una mejor precisión en clasificación de series de tiempo en comparación con la medida Kullback-Leibler (KL) y la métrica Euclidiana, en datos sintéticos y en datos reales. En la segunda aplicación, se propone una versión kernelizada de un modelo autoregresivo de orden p. Esta versión del modelo autorregresivo muestra un mayor rendimiento en predicción sobre el modelo lineal, en series de tiempo altamente complejas. Finalmente, la predicción se realiza un paso hacia adelante en diferentes series de tiempo, y nuestra versión del modelo autorregresivo se compara con otros métodos no lineales.application/pdfspaPereira : Universidad Tecnológica de PereiraFacultad de IngenieríaDoctorado en IngenieríaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2Espacios de HilbertProcesos de markovFunciones de KernelProcesamiento de señales - Técnicas digitalesEmbebimiento en espacios de Hilbert de procesos aleatorios con aplicaciones en procesamiento digital de señalesdoctoralThesisacceptedVersionhttp://purl.org/coar/resource_type/c_db06PublicationLICENSElicense.txttext/plain849https://dspace7-utp.metabuscador.org/bitstreams/32615ec3-c381-472f-a97e-a41bd4ace6c7/downloade2e549e0a1eff8f2de922c8fd2184f09MD51ORIGINALT515.733 V152.pdfDocumento Principalapplication/pdf1658329https://dspace7-utp.metabuscador.org/bitstreams/7149f1c5-3458-4fb1-a3dd-4e819a2c946f/download94a79a3d959fd144325e73ee9cfb7c17MD52CC-LICENSElicense_rdfapplication/octet-stream1223https://dspace7-utp.metabuscador.org/bitstreams/ca0d9bd7-3ee0-4f0f-95d4-636c899915c8/download7c9ab7f006165862d8ce9ac5eac01552MD53TEXTT515.733 V152.pdf.txtT515.733 V152.pdf.txtExtracted texttext/plain184316https://dspace7-utp.metabuscador.org/bitstreams/3749be29-d550-483e-bb4b-c0d8e684b2ce/download4902a5282840ce237c493f62f3d80098MD56THUMBNAILT515.733 V152.pdf.jpgT515.733 V152.pdf.jpgGenerated Thumbnailimage/jpeg7362https://dspace7-utp.metabuscador.org/bitstreams/01a9a6fe-f118-4177-b7c1-7f8d8c1363ce/download04a4dd4fe13bc2e01221edf2bbc6e1b4MD5711059/9824oai:dspace7-utp.metabuscador.org:11059/98242024-09-05 16:58:38.051http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://dspace7-utp.metabuscador.orgRepositorio de la Universidad Tecnológica de Pereirabdigital@metabiblioteca.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 |