Участник:Anastasiya

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Весна 2014, 12-й семестр)
Строка 232: Строка 232:
}}
}}
-
'''Сегментирование акслерометрических временных рядов, описывающих движение человека'''
 
-
The paper addresses a problem of sensor-based time series segmentation as a part of human activity recognition problem. We assume that each studied time series contains a fundamental periodic which can be seen as an ultimate entity (cycle) of motion. Due to the nature of the data and the urge to obtain interpretable results of segmentation, we define the segmentation as a partition of the time series into the periods of this fundamental periodic. To split the time series into periods we select a pair of principal components of the Hankel matrix. We then cut the trajectory of the selected principal components by its symmetry axis, thus obtaining half-periods that are merged into segments. A method of selecting a pair of components, corresponding to the fundamental periodic is proposed.
 
-
 
-
'''Подготовлена статья:'''
 
-
*{{Статья
 
-
|автор = Motrenko A., Strijov V. et al.
 
-
|название = Extracting fundamental periods to segment human motion time series
 
-
|год = 2015
 
-
|язык = english
 
-
}}
 
'''Доклад на научной конференции'''
'''Доклад на научной конференции'''
Строка 251: Строка 241:
|язык = english
|язык = english
|url = http://www.ifors2014.org/
|url = http://www.ifors2014.org/
 +
}}
 +
 +
=== Осень 2015, 13-й семестр ===
 +
'''Extracting fundamental periods to segment biomedical signals'''
 +
We address the problem of segmenting nearly periodic time series into period-like segments. We introduce a definition of nearly periodic time series via triplets "basic shape, shape transformation, time scaling" that covers a wide range of time series. To split the time series into periods we select a pair of principal components of the Hankel matrix. We then cut the trajectory of the selected principal components by its symmetry axis, thus obtaining half-periods that are merged into segments. We describe a method of automatic selection of periodic pairs of principal components, corresponding to the fundamental periodicity.
 +
 +
We demonstrate the application of the proposed method to the problem of period extraction for accelerometric time series of human gait. We see the automatic segmentation into periods as a problem of major importance for human activity recognition problem, since it allows to obtain interpretable segments: each segment corresponding to the fundamental period can be seen as an ultimate entity of gait.
 +
 +
The method we propose is more general compared to the ad-hoc methods of step detection and can be used for any nearly periodical segments. We also compare its performance to classical mathematical methods of period extraction and find it more precise.
 +
 +
*{{Статья
 +
|автор = Motrenko A., Strijov V.
 +
|название = Extracting fundamental periods to segment biomedical signals
 +
|журнал = Journal of Biomedical and Health Informatics (resubmitted 08.02.2015)
 +
|год = 2015
 +
|язык = english
 +
}}
 +
=== Весна 2015, 14-й семестр ===
 +
'''Combining endogenous and exogenous variables in a special case of non-parametric time series forecasting model'''
 +
 +
We address a problem of increasing quality of forecasting time series by taking into account the information about exogenous factors. Our aim is to improve a special case of non-parametric forecasting algorithm, namely the \emph{hist} algorithm, derived from quantile regression. The \emph{hist} minimizes the convolution of a histogram of time series with the loss function. To include exogenous factors into this model we suggest to correct the histogram of endogenous time series, using exogenous time series. We propose to adjust the histogram, using mixtures of conditional histograms as a less sparse alternative to multidimensional histogram and in some cases demonstrate the decrease of loss compared to the basic forecasting algorithm. The suggested method is illustrated with the data from the Russian Railways.
 +
 +
*{{Статья
 +
|автор = A. Motrenko, K. Rudakov, V. Strijov
 +
|название = Combining endogenous and exogenous variables in a special case of non-parametric time series forecasting model
 +
|журнал = AI Communications (submitted 08.04.2015)
 +
|год = 2015
 +
|язык = english
}}
}}

Версия 16:47, 8 апреля 2015

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

email: anastasia.motrenko@gmail.com

Отчет о научно-исследовательской работе

Список работ и проектов к лету 2014 (pdf) ‎

Весна 2011, 6-й семестр

Использование теста Грейнджера при прогнозировании временных рядов

При прогнозировании ряда бывает полезно определить, является ли данный ряд "зависимым" от некоторого другого ряда. Выявить подобную связь помогает тест Грейнджера, основанный на статистических тестах(при этом метод не гарантирует точного результата - при сравнении двух рядов, зависящих от еще одного ряда возможна ошибка). Метод применяется при прогнозировании экономических явлений и явлений природного характера (например, землятрясений). Цель работы - предложить алгоритм, наилучшим образом использующий данный метод; исследовать эффективность метода в зависимости от прогнозируемых рядов.

Публикация

Осень 2011, 7-й семестр

Многоклассовый прогноз вероятности наступления инфаркта

В работе описан алгоритм, позволяющий классифицировать четыре группы пациентов: перенесших инфаркт; больных, имеющих предрасположенность к инфаркту и здоровых пациентов двух групп. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Одной из задач работы является выбор набора маркеров, оптимального для разделения между собой соответствующих групп. Классификация осуществляется по принципу «каждый против каждого», то есть решаются задачи классификации всевозможных пар групп. В силу высокой стоимости анализа крови, объемы данных невелики, поэтому одним из результатов исследования является оценка необходимого объема выборки пациентов.

Публикация


Весна 2012, 8-й семестр

Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний

В работе описан алгоритм классификации пациентов, перенесших инфаркт и имеющих предрасположенность к инфаркту. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Решается задача оценки параметров функции регрессии и выбора признаков в логистической регрессии. Предполагается, что объем данных недостаточен, поэтому в работе предлагается способ оценки необходимого объема выборки.

Публикации

  • Мотренко А.П. Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний // Машинное обучение и анализ данных. — 2012. — № 3. — С. 354-366. — ISSN 2223-3792.
  • Мотренко А.П., Стрижов В.В. Многоклассовая логистическая регрессия // Известия ТулГУ. — 2012. — № 1. — С. 153-162. — ISSN 2071-6176.


Доклад на научной конференции

Гранты

  • «Многоклассовая логистическая регрессия», ПГАС

Осень 2012, 9-й семестр

Оценка плотности совместного распределения

В задачах классификации часто возникает ситуация, когда часть переменных распределена непрерывно, а часть~--- дискретно. Например, в логистической регрессии признаки непрерывны, а переменная отклика подчиняется распределению Бернулли. В работе описан способ оценки плотности совместного неоднородного распределения, включающего дискретные и непрерывные величины. Рассмотрен случай, когда вероятностные предположения о распределении случайных величин сделать не удается. В этом случае применяются методы ядерного сглаживания. В работе также приводится их сравнение с классическими методами теории вероятностей. Эксперимент проводится на реальных и синтетических данных.


Публикации

  • Мотренко А.П. Оценка плотности совместного распределения // Машинное обучение и анализ данных. — 2013. — № 4. — С. 428-435. — ISSN 2223-3792.


Доклад на научной конференции


Гранты

  • «Многоклассовая логистическая регрессия», ПГАС
  • РФФИ 12-07-31095

Весна 2013, 10-й семестр

Построение кросс-корреляционных зависимостей при прогнозе загруженности железнодорожного узла

Рассматривается проблема обнаружения причинно-следственных связей в разнородных временных рядах. Предлагается прогностическая модель, использующая выявленные связи. Модель предназначена для прогнозирования загруженности железнодорожного узла. Модель использует как исторические данные о загруженности, так и внешние данные: биржевые цены на основные инструменты и нормативные документы. При построении модели используются экспертные высказывания относительно вида связей. Предложен метод оценки достоверности экспертных высказываний. Метод проиллюстрирован данными грузовых перевозок РЖД.


  • Вальков А.С., Кожанов Е.М., Мотренко А.П., Хусаинов Ф.И. Построение кросс-корреляционных зависимостей при прогнозе загруженности железнодорожного узла // Машинное обучение и анализ данных. — 2013. — № 5. — С. 503-517. — ISSN 2223-3792.


Доклад на научной конференции

  • Мотренко А.П. Разделяющие и порождающие алгоритмы классификации малых выборок. — 2013.
  • Мотренко А.П. Small CVD sample set classification: generative versus discriminative // XXV EURO conference, июль. — 2013.

Гранты

  • «Многоклассовая логистическая регрессия», ПГАС
  • РФФИ 12-07-31095

Осень 2013, 11-й семестр

Sample Size Determination for Logistic Regression

The problem of sample size estimation is important in medical applications, especially in cases of expensive measurements of immune biomarkers. This paper describes the problem of logistic regression analysis with the sample size determination algorithms namely the methods of univariate statistics, logistics regression, cross-validation and Bayesian inference. The authors, treating the regression model parameters as a multivariate variable, propose to estimate the sample size using the distance between parameter distribution functions on cross-validated data sets. Herewith, the authors give a new contribution to data mining and statistical learning, supported by applied mathematics.

Опубликована статья:

Motrenko A., Strijov V., Weber G.-W. Bayesian sample size estimation for logistic regression // Journal of Computational and Applied Mathematics, 2014, 255 — 743-752.


Тезисы на научной конференции

Весна 2014, 12-й семестр

Построение агрегированных прогнозов объемов железнодорожных грузоперевозок

Данное исследование посвящено проблеме построения агрегированных прогнозов объемов железнодорожных грузоперевозок. Для получения агрегированных прогнозов требуется кластеризовать временные ряды таким образом, чтобы распределение временных рядов внутри кластера совпадали. При решении задачи кластеризации требуется оценить близость между временными рядами, исходя из их эмпирических распределений. Вводится критерий принадлежности временных рядов одному распределению, основанный на расстоянии Кульбака-Лейблера между гистограммами временных рядов. Приводится теоретическое и практическое исследование предложенного критерия. Решается задача кластеризации временных рядов на основе матрицы парных расстояний между ними.

Подготовлена статья:

  • Мотренко А. П., Стрижов B. B. Построение агрегированных прогнозов объемов железнодорожных грузоперевозок // Информатика и ее применения. — 2014. — Т. 8. — № 2. — С. 86-97.


Доклад на научной конференции

Осень 2015, 13-й семестр

Extracting fundamental periods to segment biomedical signals We address the problem of segmenting nearly periodic time series into period-like segments. We introduce a definition of nearly periodic time series via triplets "basic shape, shape transformation, time scaling" that covers a wide range of time series. To split the time series into periods we select a pair of principal components of the Hankel matrix. We then cut the trajectory of the selected principal components by its symmetry axis, thus obtaining half-periods that are merged into segments. We describe a method of automatic selection of periodic pairs of principal components, corresponding to the fundamental periodicity.

We demonstrate the application of the proposed method to the problem of period extraction for accelerometric time series of human gait. We see the automatic segmentation into periods as a problem of major importance for human activity recognition problem, since it allows to obtain interpretable segments: each segment corresponding to the fundamental period can be seen as an ultimate entity of gait.

The method we propose is more general compared to the ad-hoc methods of step detection and can be used for any nearly periodical segments. We also compare its performance to classical mathematical methods of period extraction and find it more precise.

  • Motrenko A., Strijov V. Extracting fundamental periods to segment biomedical signals // Journal of Biomedical and Health Informatics (resubmitted 08.02.2015). — 2015.

Весна 2015, 14-й семестр

Combining endogenous and exogenous variables in a special case of non-parametric time series forecasting model

We address a problem of increasing quality of forecasting time series by taking into account the information about exogenous factors. Our aim is to improve a special case of non-parametric forecasting algorithm, namely the \emph{hist} algorithm, derived from quantile regression. The \emph{hist} minimizes the convolution of a histogram of time series with the loss function. To include exogenous factors into this model we suggest to correct the histogram of endogenous time series, using exogenous time series. We propose to adjust the histogram, using mixtures of conditional histograms as a less sparse alternative to multidimensional histogram and in some cases demonstrate the decrease of loss compared to the basic forecasting algorithm. The suggested method is illustrated with the data from the Russian Railways.

  • A. Motrenko, K. Rudakov, V. Strijov Combining endogenous and exogenous variables in a special case of non-parametric time series forecasting model // AI Communications (submitted 08.04.2015). — 2015.
Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Anastasiya»
Личные инструменты