การวิเคราะห์และออกแบบออโตมาตาความน่าจะเป็นแบบเชื่อมตรง

จิตรกร พูลโพธิ์ทอง

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/4463

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	อรรถสิทธิ์ สุรฤกษ์	-
dc.contributor.author	จิตรกร พูลโพธิ์ทอง	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2007-10-19T03:40:42Z	-
dc.date.available	2007-10-19T03:40:42Z	-
dc.date.issued	2548	-
dc.identifier.isbn	9745325171	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/4463	-
dc.description	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2548	en
dc.description.abstract	ปัจจุบันแบบจำลองภาษาสโตแคสติกหรือภาษาเชิงน่าจะเป็นมีอยู่หลายชนิด ได้แก่ แบบจำลองมาร์คอฟแบบซ่อน แบบจำลองลูกโซ่มาร์คอฟ ออโตมาตาอิงความน่าจะเป็น และอื่นๆ งานวิจัยเกี่ยวกับแบบจำลองเหล่านี้ส่วนมากเน้นที่การสร้างแบบจำลองเพื่อการเรียนรู้เชิงสถิต นั่นคือไม่เน้นการเปลี่ยนแปลงภายหลังการเรียนรู้ เนื่องจากเทคโนโลยีทางคอมพิวเตอร์ในปัจจุบันทำให้เกิดข้อมูลรูปแบบใหม่เกิดขึ้น จำเป็นต้องอาศัยการเรียนรู้ที่สามารถเรียนรู้ได้ตลอดเวลา และสามารถตัดสินใจได้ตามสถานการณ์ที่แปรเปลี่ยนไป เพื่อรองรับกรณีที่ข้อมูลมีการแปรผันอยู่ตลอดเวลา ทำให้เกิดอุปสงค์ต่อแบบจำลองการเรียนรู้เชิงพลวัต ที่สามารถเรียนรู้และพัฒนาตัวเองได้ตลอดเวลาที่มีข้อมูลใหม่เข้ามา ในงานวิจัยนี้สนใจแบบจำลองที่มีความสามารถดังกล่าว ซึ่งสามารถเรียนรู้ได้จากแหล่งข้อมูลขนาดใหญ่ที่เป็นสายข้อมูลแบบต่อเนื่อง และปราศจากการกำหนดข้อกำหนดเบื้องต้นจากมนุษย์ งานวิจัยนี้ได้เสนอแบบจำลองชนิดใหม่และวิธีการเรียนรู้ของแบบจำลองดังกล่าว เพื่อให้มีความสามารถตามที่กล่าวไว้ข้างต้น โดยอิงกระบวนทัศน์ในการเรียนรู้แบบ การจำแนกภายในจำกัด เรียกแบบจำลองชนิดใหม่นี้ว่า สโทแคสติกออโตมาตาอิงอักขระนำหน้าแบบจำกัด โดยที่อัลกอริทึมในการเรียนรู้ของแบบจำลองชนิดนี้ มีฟังก์ชันการเติบโตของเวลาในการเรียนรู้ไม่เกินฟังก์ชันพหุนาม และขนาดของแบบจำลองขึ้นอยู่กับบริบทของข้อมูล ซึ่งมีอัตราการเติบโตของขนาดไม่เกินฟังก์ชันพหุนามเช่นกัน	en
dc.description.abstractalternative	Nowadays, there are several probabilistic (stochastic) language models such as Hidden Markov Model, Markov Chain, Probabilistic Automaton, etc. Most of recent researches on probabilistic models are to improve how to construct as static learning model. However, some work use dynamic mechanism to learn and update. In practice, we need a dynamic model which should be easier and faster to induce, and it should be able to update in real time. We are interested in a model which is able to learn from continuous data stream without prior knowledge or finite length of input. In this research, identification in the limit is a learning criterion. We propose a novel probabilistic automaton named stochastic finite precedent automaton and its induction algorithm. Particularly, its induction or update algorithm can perform in an on-line mode within polynomial time complexity while the size of the model is dependent on the context data	en
dc.format.extent	1293818 bytes	-
dc.format.mimetype	application/pdf	-
dc.language.iso	th	en
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.relation.uri	http://doi.org/10.14457/CU.the.2005.1345	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.subject	ทฤษฎีเครื่องจักรคำนวณ	en
dc.subject	การเรียนรู้ของเครื่อง	en
dc.subject	กระบวนการสโตแคสติค	en
dc.title	การวิเคราะห์และออกแบบออโตมาตาความน่าจะเป็นแบบเชื่อมตรง	en
dc.title.alternative	On-line probabilistic automata analysis and design	en
dc.type	Thesis	en
dc.degree.name	วิศวกรรมศาสตรมหาบัณฑิต	en
dc.degree.level	ปริญญาโท	en
dc.degree.discipline	วิศวกรรมคอมพิวเตอร์	en
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.email.advisor	athasit@cp.eng.chula.ac.th	-
dc.identifier.DOI	10.14457/CU.the.2005.1345	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
jittakorn.pdf		1.26 MB	Adobe PDF	View/Open

Show simple item record