2006 Fiscal Year Annual Research Report
逐次周辺尤度オンライン変化検出:粒子フィルタ的接近
| Project/Area Number |
17560352
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
松本 隆 早稲田大学, 理工学術院, 教授 (80063767)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
村田 昇 早稲田大学, 理工学術院, 教授 (60242038)
|
|---|
| Keywords | 変化検出 / 粒子フィルタ |
|---|
| Research Abstract |
1.粒子フィルタによる変化検出アルゴリズムにおけるパラメータ更新をi.i.d.正規雑音で駆動されたrandom walkを用いていた。すでにかなり機能はしているものの"弱い"モデルであり、さらに言えば"poor"なモデルといえよう。random walkは文字通りデタラメなので別の言い方をすれば"blind"なので何らかの形で与えられた情報で駆使するのがよいと考え、そのようなパラメータ更新を行ったところ目に見える形で改善が見られた。
2.これまで「逐次周辺尤度」の時間依存性を変化検出のインデックスと考え、それなりの成果を得てきたが、新たに隠れ変数を考慮し、隠れ変数の確率値を変化のインデックスとするアルゴリズムを構築し幾つかの非自明な例題でその性能を確認した。
3.従来のブースティングのアルゴリズムでは、学習時にデータの重みを変化させることによって多様な学習器を構成した上で重みつきの多数決を行うことが一般的である。本研究の目的の一つである変化検出においては、データが随時観測されるような状況下で学習を行うことが望ましい。そこで、損失関数の逐次更新による推定と学習器の多様性を維持するために擬似的に誤ったデータを学習させる負学習の導入という2つの拡張を行った。2つの拡張が有効に働くことを確認した。
4.変化点を生み出す確率モデルの一つとして、隠れマルコフモデルを拡張した時間依存型隠れマルコフモデルについて検討を行った。このモデルは変化後の経過時間によって状態遷移確率が徐々に変化していくもので、推定方法も従来の前向き・後向きアルゴリズムを拡張することによって自然に導出される。時間依存型隠れマルコフモデルを用いた実データへの応用として、心拍データから睡眠状態の推定実験を行い、従来のモデルより良好な結果を得ている。
|
Research Products
(8 results)
