elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Bayesian Estimation of Generalized Gamma Mixture Model Based on Variational EM Algorithm

Liu, Chi und Li, Heng-Chao und Fu, Kun und Datcu, Mihai und Emery, William (2019) Bayesian Estimation of Generalized Gamma Mixture Model Based on Variational EM Algorithm. Pattern Recognition, 87, Seiten 269-284. Elsevier. doi: 10.1016/j.patcog.2018.10.025. ISSN 0031-3203.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://www.sciencedirect.com/science/article/abs/pii/S0031320318303789

Kurzfassung

In this paper, we propose a Bayesian inference method for the generalized Gamma mixture model (GΓMM) based on variational expectation-maximization algorithm. Specifically, the shape parameters, the inverse scale parameters, and the mixing coefficients in the GΓMM are treated as random variables, while the power parameters are left as parameters without assigning prior distributions. The help function is designed to approximate the lower bound of the variational objective function, which facilitates the assignment of the conjugate prior distributions and leads to the closed-form update equations. On this basis, the variational E-step and the variational M-step are alternatively implemented to infer the posteriors of the variables and estimate the parameters. The computational demand is reduced by the proposed method. More importantly, the effective number of components of the GΓMM can be determined automatically. The experimental results demonstrate the effectiveness of the proposed method especially in modeling the asymmetric and heavy-tailed data.

elib-URL des Eintrags:https://elib.dlr.de/123456/
Dokumentart:Zeitschriftenbeitrag
Titel:Bayesian Estimation of Generalized Gamma Mixture Model Based on Variational EM Algorithm
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Liu, ChiSouthwest Jiaotong UniversityNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Li, Heng-ChaoChinese Academy of SciencesNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Fu, KunBeijing University of Chemical TechnologyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datcu, MihaiMihai.Datcu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Emery, WilliamUniversity of Colorado at BoulderNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2019
Erschienen in:Pattern Recognition
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:87
DOI:10.1016/j.patcog.2018.10.025
Seitenbereich:Seiten 269-284
Verlag:Elsevier
ISSN:0031-3203
Status:veröffentlicht
Stichwörter:Finite mixture models, Generalized Gamma distribution, Variational expectation-maximization (VEM), Maximum likelihood estimation, Extended factorized approximation
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Dumitru, Corneliu Octavian
Hinterlegt am:20 Dez 2018 11:30
Letzte Änderung:20 Dez 2018 11:30

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.