Learning Input Driven Dynamic Bayesian Networks with Measurement Noise

Dynamic Bayesian Networks (DBNs) are useful tools for modelling complex systems whose network representations can be elicited a priori or learnt from data. In this paper, a maximum likelihood Doubly-Iterative Expectation Maximization (DI-EM) Algorithm is developed for the identification of grey-box...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings (IEEE International Conference on Emerging Technologies and Factory Automation) s. 1214 - 1219
Hlavní autoři:	Veres, David, Li, Ping, Kadirkamanathan, Visakan
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 18.12.2024
Témata:	Bayes methods Computational modeling Data models directed graph learning Dynamic Bayesian networks Dynamical systems expectation maximization Heuristic algorithms Machine learning Noise Noise measurement State-space methods structure learning Time series analysis
ISSN:	1946-0759
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!