Refine
Document Type
- Diploma Thesis (1)
- Master's Thesis (1)
Keywords
- Wahrscheinlichkeitsverteilung (2) (remove)
Institute
- 03 Mathematik / Naturwissenschaften / Informatik (2) (remove)
Ziel der Diplomarbeit ist es, ein Verfahren zur Modellanpassung für Wahrscheinlichkeitsdichtefunktionen zu entwickeln und dieses an simulierten Daten zu testen. Dabei stellt sich die Frage, ob klassische statistische Verfahren zur Prüfung von Unterschieden zwischen Dichtefunktionen ausreichen, um die Modelle zu unterscheiden. Der Kolmogorov-Smirnov-Anpassungstest liefert eine globale Bewertung der empirischen Verteilungsfunktionen. Dadurch wird schon bei kleinen Störungen der Realisierungen einer Zufallsgröße das vorliegende Modell nicht mehr als dieses erkannt. Über das Verfahren der Faltung wird eine integrale Analyse von empirischen Verteilungsfunktionen geschaffen, um somit die Robustheit gegenüber Störungen zu erhöhen und die Modellzuordnung sicherer zu gestalten. Bekannte klassische Verteilungsfunktionen werden in die Modellbetrachtungen einbezogen. Zum Schluss werden die erarbeiteten Verfahren auf reale Datensätze angewandt.
In this work a novelty detection framework provided by M. Filippone and G. Sanguinetti is considered, which is useful especially when only few training samples are available. It is restricted to Gaussian mixture models and makes use of information theory, applying the Kullback-Leibler divergence. In this work two variations of the framework are presented, applying the symmetric Hellinger divergence and a statistical likelihood approach.