Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  A general linear non-Gaussian state-space model: Identifiability, identification, and applications

Zhang, K., & Hyvärinen, A. (2011). A general linear non-Gaussian state-space model: Identifiability, identification, and applications. In C.-N. Hsu, & W. Lee (Eds.), Asian Conference on Machine Learning, 14-15 November 2011, South Garden Hotels and Resorts, Taoyuan, Taiwain (pp. 113-128). Cambridge, MA, USA: MIT Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-B91C-D Versions-Permalink: https://hdl.handle.net/21.11116/0000-0001-ACAA-E
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
http://proceedings.mlr.press/v20/zhang11/zhang11.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Zhang, K1, Autor           
Hyvärinen, A, Autor
Affiliations:
1Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society, ou_1497647              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: State-space modeling provides a powerful tool for system identification and prediction. In linear state-space models the data are usually assumed to be Gaussian and the models have certain structural constraints such that they are identifiable. In this paper we propose a non-Gaussian state-space model which does not have such constraints. We prove that this model is fully identifiable. We then propose an efficient two-step method for parameter estimation: one first extracts the subspace of the latent processes based on the temporal information of the data, and then performs multichannel blind deconvolution, making use of both the temporal information and non-Gaussianity. We conduct a series of simulations to illustrate the performance of the proposed method. Finally, we apply the proposed model and parameter estimation method on real data, including major world stock indices and magnetoencephalography (MEG) recordings. Experimental results are encouraging and show the practical usefulness of the proposed model and method.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2011-11
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: ZhangH2011
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 3rd Asian Conference on Machine Learning (ACML 2011)
Veranstaltungsort: Taoyuan, Taiwan
Start-/Enddatum: 2011-11-14 - 2011-11-15

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Asian Conference on Machine Learning, 14-15 November 2011, South Garden Hotels and Resorts, Taoyuan, Taiwain
Genre der Quelle: Konferenzband
 Urheber:
Hsu, C-N, Herausgeber
Lee, WS, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Cambridge, MA, USA : MIT Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 113 - 128 Identifikator: -

Quelle 2

einblenden:
ausblenden:
Titel: JMLR Workshop and Conference Proceedings
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 20 Artikelnummer: - Start- / Endseite: - Identifikator: -