Startseite
English
Erweiterte Suche
Durchblättern nach ...
Publikationen im Überblick
Ansprechpartner
Hilfe
Verlagsversion
 |
|
möglich sobald bei der ZB eingereicht worden ist.
Probabilistic blind source separation for data with network structures.
Probabilistische blinde Signaltrennung für Daten mit Netzwerkstruktur.
München, Technische Universität, Fakultät für Mathematik, Diss., 2015, 176 S.
In this thesis we aim to identify meaningful signals from observed multivariate mixtures using available structural information of the data and probabilistic modeling. In a blind source separation (BSS) approach for time series data we investigate the mixing pattern using limiting distributions of the mixing process. We further propose a new BSS method for network data using stationary Bayesian networks. Relevance of the method is illustrated by an application to gene expression data.
Ziel dieser Arbeit ist es, aus mehrdimensionalen Beobachtungen einzelne aussagekräftige Quellen herauszufiltern. Dabei profitieren wir von vorhandenen Informationen über die datengenerierende Struktur und von probabilistischer Modellierung. In einem "Blind source separation" (BSS) Ansatz für Zeitdaten untersuchen wir das Mischmuster mit Hilfe von Grenzverteilungen der Mischmatrix. Darüber hinaus führen wir eine neue BSS Methode für Netzwerkdaten ein, die stationäre Bayesianische Netzwerke benutzt. Die Relevanz der Methode zeigen wir in einer Anwendung auf Genexpressionsdaten.
Weitere Metriken?
Zusatzinfos bearbeiten
[➜Einloggen]
Publikationstyp
Sonstiges: Hochschulschrift
Typ der Hochschulschrift
Dissertationsschrift
Quellenangaben
Seiten: 176 S.
Hochschule
Technische Universität
Hochschulort
München
Fakultät
Fakultät für Mathematik
Nichtpatentliteratur
Publikationen
Institut(e)
Institute of Computational Biology (ICB)