权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

New approach to automatic mode detection in stochastic models of complex real-world systems

复杂现实系统随机模型中自动模式检测的新方法

基本信息

批准号：
222684652
负责人：
Dr. Hao Wu
金额：
--
依托单位：
Arbeitsgruppe Biocomputing
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2012
资助国家：
德国
起止时间：
2011-12-31 至 2014-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/222684652?language=en
关键词：
New approach automatic mode detection

项目摘要

Parameterschätzung von komplexen Systemen aufgrund partieller Beobachtungen ist ein häufiges Problem in vielen Bereichen der Natur- und Ingenieurswissenschaften. Beispiele sind biomedizinische und biophysikalische Systeme, Börsenmärkte und andere ökonomische Systeme, sowie Sprachennung. Viele dieser Probleme können durch dynamische Systemmodelle beschrieben werden, in denen nicht direkt beobachtbare Zustände oder Regimes über längere Zeiträume stabil sind und das Verhalten der Systeme bestimmen. Hidden-Markov Modelle (HMMs) und Markov-Jump Systeme (MJSs) sind häufig verwendete Inferenzmodelle für solche komplexen Systeme, in denen das Umschaltverhalten zwischen Zuständen / Regimes durch Markovketten beschrieben wird. HMMs modellieren die Ausgabe als eine stochastische Funktion diskreter Moden, während MJSs sowohl diskrete Moden als auch kontinuierliche Zustandsvariablen besitzen. In jüngster Vergangenheit haben „Partially-Observed Markov Random Fields“ (POMRFs) große Aufmerksamkeit gewonnen, in denen Markovketten durch die allgemeineren Markov-Zufallsfelder ersetzt werden. Ein fundamentales und nicht zufriedenstellend gelöstes Problem ist die Bestimmung der Anzahl der Moden in HMMs, MJSs und ähnlichen Modellen. Hier schlagen wir vor, einen neuen stochastischen Ansatz zur Modenbestimmung zu entwickeln, der auf „Stick-Breaking Processes (SBPs)“ basiert. Die Funktionalität dieses Ansatzes wird an zwei Realwelt-Problemen demonstiert werden: Einzelmolekül- Fluoreszenz-Experimenten und Messungen am Herz-Kreislaufsystem.

复杂系统的参数设置是自然和工程师科学中的问题。 Beispiele sind 生物医学和生物物理学系统、Börsenmärkte 和 andere ökonomische Systeme、sowie Sprachennung。 Viele dieser Probleme können durch Dynamische Systeme beschrieben werden, in denen nicht direkt beobachtbare Zustände orer Regimes über längere Zeiträume stable sind and das Verhalten der Systeme bestimmen.隐马尔可夫模型 (HMM) 和马尔可夫跳跃系统 (MJS) 是一种用于解决复杂系统的推论模型，在定义马尔可夫模型/制度中。 HMM 模型是随机磁盘功能的现代模型，MJS 是现代磁盘中的连续变量。在年轻时，“部分可观测的马尔可夫随机场”（POMRF）是大体的 Aufmerksamkeit gewonnen，在所有马尔可夫-Zufallsfelder ersetzt werden 中的马尔可夫集中。 Ein basices und nicht zufriedenstellend gelöstes 问题在于 HMM、MJS 和 ähnlichen Modellen 中的现代 Anzahl 的 Bestimmung。 Hier schlagen wir vor, einen neuen stochastischen Ansatz zur Modenbestimmung zu entwickeln, der auf “粘连破坏过程 (SBP)” 基础。功能分析与两个现实世界问题演示：Einzelmolekül- Fluoreszenz-Experimenten am Herz-Kreislaufsystem。