Inferência em modelos de mistura via algoritmo EM estocástico modificado

• Ano de defesa: 2017
• Autor(a) principal: Assis, Raul Caram de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmo EM; Cadeia de Markov; EM algorithm; Gibbs sampling; Gibbs Sampling; Image segmentation; Markov chain; Mistura de Distribuições; Mixture models; Mixture of distributions; Modelos de Mistura; Segmentação de imagens
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/104/104131/tde-11092017-093254/

Apresentamos o tópico e a teoria de Modelos de Mistura de Distribuições, revendo aspectos teóricos e interpretações de tais misturas. Desenvolvemos a teoria dos modelos nos contextos de máxima verossimilhança e de inferência bayesiana. Abordamos métodos de agrupamento já existentes em ambos os contextos, com ênfase em dois métodos, o algoritmo EM estocástico no contexto de máxima verossimilhança e o Modelo de Mistura com Processos de Dirichlet no contexto bayesiano. Propomos um novo método, uma modificação do algoritmo EM Estocástico, que pode ser utilizado para estimar os parâmetros de uma mistura de componentes enquanto permite soluções com número distinto de grupos.