National Repository of Dissertations in Serbia
    • English
    • Српски
    • Српски (Serbia)
  • English 
    • English
    • Serbian (Cyrilic)
    • Serbian (Latin)
  • Login
View Item 
  •   NaRDuS home
  • Универзитет у Новом Саду
  • Факултет техничких наука
  • View Item
  •   NaRDuS home
  • Универзитет у Новом Саду
  • Факултет техничких наука
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Mera sličnosti između modela Gausovih smeša zasnovana na transformaciji prostora parametara

Thumbnail
2017
Disertacija11472.pdf (1.632Mb)
IzvestajKomisije11472.pdf (334.0Kb)
Author
Krstanović, Lidija
Mentor
Ralević, Nebojša
Committee members
Obradović, Ratko
Čomić, Lidija
Iričanin, Bratislav
Popov, Srđan
Zlokolica, Vladimir
Ralević, Nebojša
Metadata
Show full item record
Abstract
Predmet istraživanja ovog rada je istraživanje i eksploatacija mogućnosti da parametri Gausovih komponenti korišćenih Gaussian mixture modela  (GMM) aproksimativno leže na niže dimenzionalnoj površi umetnutoj u konusu pozitivno definitnih matrica. U tu svrhu uvodimo novu, mnogo efikasniju meru sličnosti između GMM-ova projektovanjem LPP-tipa parametara komponenti iz više dimenzionalnog parametarskog originalno konfiguracijskog prostora u prostor značajno niže dimenzionalnosti. Prema tome, nalaženje distance između dva GMM-a iz originalnog prostora se redukuje na nalaženje distance između dva skupa niže dimenzionalnih euklidskih vektora, ponderisanih odgovarajućim težinama. Predložena mera je pogodna za primene koje zahtevaju visoko dimenzionalni prostor obeležja i/ili veliki ukupan broj Gausovih komponenti. Razrađena metodologija je primenjena kako na sintetičkim tako i na realnim eksperimentalnim podacima.
This thesis studies the possibility that the parameters of Gaussian components of a particular Gaussian Mixture Model (GMM) lie approximately on a lower-dimensional surface embedded in the cone of positive definite matrices. For that case, we deliver novel, more efficient similarity measure between GMMs, by LPP-like projecting the components of a particular GMM, from the high dimensional original parameter space, to a much lower dimensional space. Thus, finding the distance between two GMMs in the original space is reduced to finding the distance between sets of lower dimensional euclidian vectors, pondered by corresponding weights. The proposed measure is suitable for applications that utilize high dimensional feature spaces and/or large overall number of Gaussian components. We confirm our results on artificial, as well as real experimental data.
Faculty:
Универзитет у Новом Саду, Факултет техничких наука
Date:
25-09-2017
Keywords:
Gausove smeše / Gaussian mixture model / Mere sličnosti / Redukcija dimenzionalnosti / KL-divergenca / Similarity measures / Dimensionality reduction / KL-divergence
[ Google Scholar ]
Handle
https://hdl.handle.net/21.15107/rcub_nardus_8636
URI
https://nardus.mpn.gov.rs/handle/123456789/8636
http://www.cris.uns.ac.rs/DownloadFileServlet/Disertacija150062423322666.pdf?controlNumber=(BISIS)104904&fileName=150062423322666.pdf&id=10282&source=NaRDuS&language=sr
http://www.cris.uns.ac.rs/record.jsf?recordId=104904&source=NaRDuS&language=sr
http://www.cris.uns.ac.rs/DownloadFileServlet/IzvestajKomisije150062424012421.pdf?controlNumber=(BISIS)104904&fileName=150062424012421.pdf&id=10284&source=NaRDuS&language=sr

DSpace software copyright © 2002-2015  DuraSpace
About NaRDus | Contact us

OpenAIRERCUBRODOSTEMPUS
 

 

Browse

All of DSpaceUniversities & FacultiesAuthorsMentorCommittee membersSubjectsThis CollectionAuthorsMentorCommittee membersSubjects

DSpace software copyright © 2002-2015  DuraSpace
About NaRDus | Contact us

OpenAIRERCUBRODOSTEMPUS