Wyniki wyszukiwania - BazTech

1

Effective expectation maximization algorithm implementation using multicore computer systems

Kasitskij A., Bidyuk P., Gozhyi A.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2014

|

nr 4

35--37

EN

A popular expectation maximization algorithm that is widely used in modern data processing systems to solve various problems including optimization and parameter estimation is considered in the paper. The task of the study was to enhance effectiveness of the algorithm execution in time. An enhancement of execution rate for the EM algorithm using multicore architecture of modern computer systems was carried out. Necessary modifications aimed at better parallelism were proposed for implementation of the EM algorithm. An efficiency of the software implementation was tested on the classic problem of Gaussian random variables mixture separation. It is shown that in the mixture separation problem EM algorithm performance degrades when the distance between mean values of distributions is less than three standard deviations, which is totally in the spirit of three sigma law. In such cases, it is very important to have an efficient EM algorithm implementation to be able to process such test cases in a reasonable time.

PL

W artykule opisany jest popularny algorytm EM (expectation maximization), który jest powszechnie stosowany w nowoczesnych systemach przetwarzania danych do rozwiązywania różnych problemów, w tym optymalizacji i estymacji parametrów. Celem badań było zwiększenie efektywności czasu wykonywania algorytmu. Zwiększenie szybkości wykonania algorytmu EM użyto wielordzeniowy architektury nowoczesnych systemów komputerowych. Zostały zaproponowane niezbędne modyfikacje mające na celu lepszą równoległość realizacji algorytmu EM. Skuteczność implementacji programu była testowana na klasycznym problemie separacji Gaussowskich zmiennych losowych. Wykazano, że w przypadku rozdziału mieszaniny wydajność algorytmu EM ulega degradacji, kiedy odległość między średnimi wartościami rozkładu wynosi mniej niż trzy odchylenia standardowe, co jest całkowicie zgodnie z regułą trzech sigm. W takich przypadkach, jest bardzo ważne, aby mieć efektywną realizację algorytmu EM móc przetworzyć takie przypadki w rozsądnym czasie.

2

Mixed model for interoccurrence times of earthquakes based on the expectation-maximization algorithm

Tahernia N., Khodabin M., Noorbakhsh M.

Acta Geophysica

|

2011

|

Vol. 59, no. 5

872-890

EN

In this paper, the goodness-of-fit test based on a convex combination of Akaike and Bayesian information criteria is used to explain the features of interoccurrence times of earthquakes. By analyzing the seismic catalog of Iran for different tectonic settings, we have found that the probability distributions of time intervals between successive earthquakes can be described by the generalized normal distribution. This indicates that the sequence of successive earthquakes is not a Poisson process. It is found that by decreasing the threshold magnitude, the interoccurrence time distribution changes from the generalized normal distribution to the gamma distribution in some seismotectonic regions. As a new insight, the probability distribution of time intervals between earthquakes is described as a mixture distribution via the expectation-maximization algorithm.

3

Chemometric exploration of sea water chemical component data sets with missing elements

Smoliński A., Falkowska L., Pryputniewicz D.

Oceanological and Hydrobiological Studies

|

2008

|

Vol. 37, No.3

49-62

EN

The results of the application of chemometric methods, such as principal component analysis (PCA) and its generalization for N-way data, the Tucker3 model, for the analysis of an environmental data set are presented. The analyzed data consists of concentration values of chemical compounds of organic matter, and their transformed products, in a short-term study of a sea water column measured at the Gdańsk Deep (.[fi]= 55°1’N, [lambda] = 19°10’E). The main goal of this paper is to present improved approaches for exploration of data sets with missing elements, based on the expectation-maximization (EM) algorithm. The most common methods for dealing with missing data, generally consisting of setting the missing elements to zero or to mean values of the measured data, are often unacceptable as they destroy data correlations or influence interpretation of relationships between objects and variables. The EM algorithm may be built into different computational procedures used for exploratory analysis (i.e. EM/PCA or EM/TUCKER3).

4

Ocena skokowych zmian procesu losowego z wykorzystaniem algorytmu Expectation-Maximization (EM) na przykładzie zmiennych w czasie profili ekspresji genów bakterii deinococcus radiodurans

Łuszczkiewicz M., Polański A.

Zeszyty Naukowe. Automatyka / Politechnika Śląska

|

2006

|

z. 145

125-137

PL

Bardzo często w naukach biomedycznych przeprowadzane eksperymenty polegają na obserwacji zjawisk przy jednoczesnym mierzeniu odpowiedzi systemu w pewnym horyzoncie czasowym. Istnieje tylko kilka metod analizy zmiennych w czasie profili genów. W artykule zaproponowano metodę grupowania genów w poszczególnych chwilach czasu, których poziom ekspresji może być indukowany tym samym/tymi samymi sygnałami, co w efekcie powoduje, iż geny te wykazują podobny poziom ekspresji. W celu budowy modelu wykorzystano złożenia rozkładów normalnych Gaussa (Gaussian Mixture Models) wraz z algorytmem Expectation-Maximization (Dempster, Liard, Rubin 1977, Bilmes 1998). W przeciwieństwie do wielu innych metod, których wyniki silnie zależą od zastosowanych miar i parametrów, zaproponowany model nie posiada żadnych predefiniowalnych parametrów, tak wiec wyniki można uznać za wiarygodniejsze. Z uwagi na swoją konstrukcję może on zostać łatwo zaadaptowany do badania danych o innej strukturze.

EN

Observation of a biological phenomenon over a certain period of time simultaneously measuring object responses is a common practice in biomedical research. On the other hand there are only several methods of time-course data analysis. We propose method of grouping genes which expression's levels were measured in several time points, assuming that grouped gene's expression levels are induced by the same factor/factors. Due to built a model, we used Gaussian Mixture Model combined with Expectation-Maximization algorithm. In opposition to many other methods which results are strongly correlated to choice of parameters and methods, proposed approach's results are more stable due to lack of predefined parameters. Moreover, our model can be easily adapted to different experiment structure (several patients with same disease but treated with different drugs).