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...

Full description

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_ 1815732560910614528
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.comRUwgQVVUT1IsIG1hbmlmaWVzdGEgcXVlIGxhIG9icmEgb2JqZXRvIGRlIGxhIHByZXNlbnRlIGF1dG9yaXphY2nDs24gZXMgb3JpZ2luYWwgeSBsYSByZWFsaXrDsyBzaW4gdmlvbGFyIG8gdXN1cnBhciBkZXJlY2hvcyBkZSBhdXRvciBkZSB0ZXJjZXJvcywgcG9yIGxvIHRhbnRvIGxhIG9icmEgZXMgZGUgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgbGEgbWlzbWEuIFBBUsOBR1JBRk86IEVuIGNhc28gZGUgcHJlc2VudGFyc2UgY3VhbHF1aWVyIHJlY2xhbWFjacOzbiBvIGFjY2nDs24gcG9yIHBhcnRlIGRlIHVuIHRlcmNlcm8gZW4gY3VhbnRvIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGxhIG9icmEgZW4gY3Vlc3Rpw7NuLCBFTCBBVVRPUiwgYXN1bWlyw6EgdG9kYSBsYSByZXNwb25zYWJpbGlkYWQsIHkgc2FsZHLDoSBlbiBkZWZlbnNhIGRlIGxvcyBkZXJlY2hvcyBhcXXDrSBhdXRvcml6YWRvczsgcGFyYSB0b2RvcyBsb3MgZWZlY3RvcyBsYSB1bml2ZXJzaWRhZCBhY3TDumEgY29tbyB1biB0ZXJjZXJvIGRlIGJ1ZW5hIGZlLiBFTCBBVVRPUiwgYXV0b3JpemEgYSBMQSBVTklWRVJTSURBRCBURUNOT0xPR0lDQSBERSBQRVJFSVJBLCBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgTGV5IDQ0IGRlIDE5OTMsIERlY2lzacOzbiBhbmRpbmEgMzUxIGRlIDE5OTMsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbm9ybWFzIGdlbmVyYWxlcyBzb2JyZSBsYSBtYXRlcmlhLCB1dGlsaWNlIHkgdXNlIGxhIG9icmEgb2JqZXRvIGRlIGxhIHByZXNlbnRlIGF1dG9yaXphY2nDs24u