• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Conditional Baum-Welch, Dynamic Model Surgery, and the three-Poisson Dempster-Shafer model.
【24h】

Conditional Baum-Welch, Dynamic Model Surgery, and the three-Poisson Dempster-Shafer model.

机译：有条件的Baum-Welch，动态模型手术和三泊松Dempster-Shafer模型。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

I present a Dempster-Shafer approach to estimating limits from Poisson counting data with nuisance parameters and two new methods, Conditional Baum-Welch and Dynamic Model Surgery, for achieving maximum-likelihood or maximum a-posteriori estimates of the parameters of Profile hidden Markov Models.;Dempster-Shafer (DS) is a statistical framework that generalizes Bayesian statistics. DS calculus augments traditional probability by allowing mass to be distributed over power sets of the event space. This eliminates the Bayesian dependence on prior distributions while allowing the incorporation of prior information when it is available. I use the Poisson Dempster-Shafer model (DSM) to derive a posterior DSM for the "Banff upper limits challenge" three-Poisson model.;Profile hidden Markov Models (Profile HMMs) are widely used for protein sequence family modeling. The algorithm commonly used to estimate the parameters of Profile HMMs, Baum-Welch (BW), is prone to prematurely converge to local optima. I provide a description and proof of the Conditional Baum-Welch (CBW) algorithm, and show that it is able to parameterize Profile HMMs better than BW under a range of conditions including both protein and DNA sequence family models. I also introduce the Dynamic Model Surgery (DMS) method, which can be applied to either BW or CBW to help them achieve higher maxima by dynamically altering the structure of the Profile HMM during BW or CBW training. I conclude by describing the results of an application of these methods to the transposon (interspersed repeat) modeling problem that originally inspired the research.
机译：我提出了一种Dempster-Shafer方法，用于通过带有干扰参数的Poisson计数数据和两种新方法（条件Baum-Welch和动态模型手术）来估计极限，以实现轮廓隐藏Markov模型的参数的最大似然或最大后验估计。; Dempster-Shafer（DS）是一个统计框架，用于概括贝叶斯统计。 DS演算通过允许将质量分布在事件空间的幂集上来增加传统概率。这消除了贝叶斯对先验分布的依赖性，同时允许在可用时合并先验信息。我使用Poisson Dempster-Shafer模型（DSM）来为“ Banff上限挑战”三泊松模型得出后验DSM。;轮廓隐藏的马尔可夫模型（Profile HMMs）被广泛用于蛋白质序列家族建模。通常用于估计Profile HMM的参数的算法Baum-Welch（BW）可能会过早收敛到局部最优值。我提供了有条件Baum-Welch（CBW）算法的描述和证明，并表明在包括蛋白质和DNA序列家族模型在内的一系列条件下，它能够比BW更好地参数化Profile HMM。我还介绍了动态模型手术（DMS）方法，该方法可应用于BW或CBW，以通过在BW或CBW训练期间动态更改Profile HMM的结构来帮助他们达到更高的最大值。最后，我通过描述将这些方法应用于最初激发研究的转座子（穿插重复）建模问题的结果。

著录项

  • 作者

    Edlefsen, Paul T.;

  • 作者单位

    Harvard University.;

  • 授予单位 Harvard University.;
  • 学科 Biology Biostatistics.;Biology Bioinformatics.;Statistics.
  • 学位 Ph.D.
  • 年度 2009
  • 页码 119 p.
  • 总页数 119
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号