

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、自然界的很多信息都采用高維數(shù)據(jù)來表示。這些數(shù)據(jù)結(jié)構(gòu)復(fù)雜、規(guī)模大,難以直接處理。如何對這些數(shù)據(jù)進(jìn)行降維處理是機(jī)器學(xué)習(xí)、模式識別等領(lǐng)域研究的重要內(nèi)容。相關(guān)技術(shù)的改進(jìn)和優(yōu)化對高維數(shù)據(jù)分析有著重要的意義。
高斯過程隱變量模型是一個無監(jiān)督的概率降維模型,該模型是基于概率主成分分析方法,但該模型不具有利用樣本標(biāo)簽信息的能力,因此不適用于分類問題;同時,該模型假設(shè)各個樣本相互獨(dú)立,對于時間序列數(shù)據(jù),不能建立樣本之間的動態(tài)聯(lián)系,因而該模型不適
2、用于時間序列的建模。針對以上問題,本文對高斯過程隱變量模型進(jìn)行擴(kuò)展。使該模型利用標(biāo)簽信息,對低維隱變量的分布進(jìn)行假設(shè),將其擴(kuò)展為一個具有分類學(xué)習(xí)能力的降維模型。實(shí)驗(yàn)結(jié)果表明在分類問題上,本文提出的擴(kuò)展模型具有比其他模型更好的分類能力。
同時,采用馬爾科夫過程對隱變量之間的動態(tài)聯(lián)系進(jìn)行建模,并引入多核學(xué)習(xí)的策略提高模型的泛化能力。實(shí)驗(yàn)結(jié)果表明在時間序列降維問題上,該模型對某類人體姿態(tài)數(shù)據(jù)之間的動態(tài)聯(lián)系有著較好的保留,同時讓該模型
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于高斯過程的降維方法研究.pdf
- 面向高維數(shù)據(jù)降維與分類的深度模型構(gòu)建方法研究.pdf
- 基于降維的基因表達(dá)數(shù)據(jù)分類算法研究.pdf
- 多標(biāo)簽數(shù)據(jù)的降維與分類算法研究.pdf
- 隱變量模型的建模與優(yōu)化.pdf
- 基于高斯過程的時間序列分類.pdf
- 基于懲罰高斯混合模型的高維數(shù)據(jù)聚類分析.pdf
- 基于多變量高斯模型的壓縮感知圖像重構(gòu).pdf
- 基于特征分析和數(shù)據(jù)降維的復(fù)雜數(shù)據(jù)預(yù)測與分類方法研究.pdf
- 基于高斯過程分類器的高光譜圖像分類.pdf
- 基于隱變量模型的歌曲轉(zhuǎn)換方法研究.pdf
- 基于隱變量模型的監(jiān)督式哈希算法.pdf
- 工業(yè)過程數(shù)據(jù)隱變量回歸建模及應(yīng)用.pdf
- 基于高斯過程的CAE模型校準(zhǔn)與預(yù)測研究.pdf
- 基于高斯過程回歸模型的鋰電池?cái)?shù)據(jù)處理.pdf
- 基于高斯混合模型分類的SAR圖像檢索.pdf
- 經(jīng)典隱變量模型與量子關(guān)聯(lián)的研究.pdf
- 基于高斯混合模型聚類的變量選擇及應(yīng)用
- 基于半監(jiān)督和局部降維的多標(biāo)記數(shù)據(jù)分類.pdf
- 基于聯(lián)合隱變量模型的癌癥分子亞型分析.pdf
評論
0/150
提交評論