Участник:Vmottl
Материал из MachineLearning.
|
| Вади́м Вячесла́вович Мо́ттль
Российский математик, д.т.н., профессор.
Подробная биография на wikipedia. |
Некоторые направления исследований
- Линейные методы восстановления зависимостей по эмпирическим данным. Презентация, PDF [936 Кб].
- Невыпуклые задачи оптимизации в методологии обучения распознаванию образов. Презентация, PDF [725 Кб].
- Динамический анализ стиля инвестиций. Презентация, PDF [559 Кб].
- Распознавание зон коллекторов нефти и газа в монолитных породах по данным сейсмической разведки с учетом обучающей информации из разведывательных скважин. Презентация, PDF [895 Кб].
Некоторые публикации
Всего более 200 публикаций в Российских и зарубежных изданиях.
Монография
Моттль В.В., Мучник И.Б. Скрытые марковские модели в структурном анализе сигналов. М.: Наука, 1999, 352 с.
Монография посвящена комплексному изложению задач, теоретических методов и алгоритмов применения ЭВМ для анализа экспериментальных данных упорядоченных вдоль оси некоторого аргумента, главным образом, сигналов. Задачи распознавания образов и обнаружения изменений свойств случайных процессов. Изложение базируется на концепции скрытых марковских моделей, позволяющих строить алгоритмы структурного анализа сигналов как корректные и реализуемые вычислительные процедуры принятия статистических решений. Книга предназначена для инженеров, разрабатывающих алгоритмы анализа сложных сигналов различной природы, прикладных математиков, разрабатывающих вопросы анализа случайных процессов и распознавания образов, а также для аспирантов и студентов кибернетических специальностей высших учебных заведений.
Главы:
- Глава 1. Введение
- Глава 2. Основные модели и задачи структурного анализа сигналов
- Глава 3. Условно марковский случайных процесс
- Глава 4. Оценивание структурных параметров модели условно марковского случайного процесса с многократно изменяющимися вероятностными свойствами
- Глава 5. Обобщенный случайный процесс с локальными возмущениями: оптимальные решающие правила и алгоритмы распознавания потока событий
- Глава 6. Обучение и самообучение распознаванию потока событий: параметрический подход
- Глава 7. Обучение распознаванию потока событий: прямое восстановление апостериорного потока
- Глава 8. Решающие правила и алгоритмы распознавания последовательности событий для детерминированный модели источника данных
- Глава 9. Обучение распознаванию последовательности событий для детерминированной модели источника данных
- Глава 10. Векторные случайный события и случайные поля со скачкообразно изменяющимися вероятностными свойствами
- Глава 11. Примеры решения прикладных задач структурного анализа сигналов и полей данных
