【计算机科学】_高斯过程隐变量模型_期刊发文热词逐年推荐_20140724
- 格式:xls
- 大小:88.81 KB
- 文档页数:72
高斯过程原理范文高斯过程是一种概率结果预测方法,它通过对变量之间的相关性进行建模,可以在给定一些已知观测值的情况下,预测未来的结果。
高斯过程是贝叶斯方法中的一种,它更注重对不确定性的处理和建模,适用于很多实际问题的解决。
本文将介绍高斯过程的原理和应用。
高斯过程的本质是定义了一个随机函数,其取值在任意给定的样本点处服从高斯分布。
这样,通过对样本点之间的距离和相关性进行建模,就可以预测未知点的取值了。
高斯过程最重要的两个性质是平稳性和正定核函数。
平稳性指的是高斯过程的均值和方差都是常数,并且不依赖于观测的位置;正定核函数则是用来度量样本点之间的相关性,它必须是正定的函数。
高斯过程可以用来解决回归问题和分类问题。
在回归问题中,给定一些样本点的观测值,我们可以通过高斯过程预测未知点的取值,并给出该预测的不确定性。
预测的不确定性可以用方差或置信区间来表示,这样就可以进行评估和决策了。
在分类问题中,我们可以将观测值分为两类,然后通过高斯过程对未知点进行分类,并计算出其属于一些类别的概率。
这样就可以判断未知点属于哪个类别了。
高斯过程的应用非常广泛,可以用于信号处理、机器学习、地质勘探等领域。
在信号处理中,高斯过程可以用来对信号进行建模和预测,从而实现信号的降噪和滤波。
在机器学习中,高斯过程被用来进行监督学习和强化学习,可以在给定一些观测值的情况下,对未知数据进行预测和决策。
在地质勘探中,高斯过程可以用来研究地下的油气储量和物性分布,从而指导油气勘探的工作。
高斯过程有很多的优点,使得它成为一个非常有用的工具。
首先,高斯过程是一种非参数的方法,不需要对模型进行显式的建模和参数估计,因此可以避免过拟合和欠拟合问题。
其次,高斯过程可以同时预测结果的取值和不确定性,这使得其预测结果更加可靠和可解释。
此外,高斯过程的数学理论非常成熟,有很多的推导和证明可以参考,使得其应用更加可靠和稳定。
总之,高斯过程是一种非常有用的概率结果预测方法,可以在很多实际问题中发挥作用。
第47卷第2期Vol.47No.2计算机工程Computer Engineering2021年2月February 2021多尺度多核高斯过程隐变量模型周培春1,吴兰岸2(1.玉林师范学院计算机科学与工程学院,广西玉林537000;2.南宁师范大学计算机与信息工程学院,南宁530299)摘要:高斯过程隐变量模型(GPLVM)作为一种无监督的贝叶斯非参数降维模型,无法有效利用数据所包含的语义标记信息,同时其建模过程中假设观测变量的各特征相互独立,忽略了特征之间的空间结构信息。
为解决上述问题,采用图像池化操作获得不同尺度的特征表示,利用线性投影方式将不同尺度的图像投影到低维隐空间进行特征融合,并将融合特征和数据标记分别作为输入和输出,构建多尺度多核高斯过程隐变量模型(MSMK -GPLVM),通过图像数据与数据标记的关联实现模型监督学习,同时对GPLVM 和线性投影权重矩阵进行联合学习以提高分类性能。
实验结果表明,MSMK -GPLVM 能够有效利用图像空间结构信息和语义标记信息,相比其他隐变量模型具有更强的数据降维和分类能力。
关键词:高斯过程;隐变量;降维;语义信息;空间信息开放科学(资源服务)标志码(OSID ):中文引用格式:周培春,吴兰岸.多尺度多核高斯过程隐变量模型[J ].计算机工程,2021,47(2):285-292.英文引用格式:ZHOU Peichun ,WU Lan ’an.Multi -scale multi -kernel Gaussian process latent variable model [J ].Computer Engineering ,2021,47(2):285-292.Multi-Scale Multi-Kernel Gaussian Process Latent Variable ModelZHOU Peichun 1,WU Lan ’an 2(1.School of Computer Science and Engineering ,Yulin Normal College ,Yulin ,Guangxi 537000,China ;2.School of Computer and Information Engineering ,Nanning Normal University ,Nanning 530299,China )【Abstract 】As an unsupervised Bayesian non -parameter dimension reduction model ,the Gaussian Process Latent Variable Model (GPLVM )fails to efficiently utilize semantic label information of data.Moreover ,it just assumes that the features of all observed variables are independent in modeling ,and thus ignores the spatial information among the features.To address the two issues ,this paper proposes a Multi -Scale Multi -Kernel Gaussian Process Latent Variable Model (MSMK -GPLVM ).The model projects the images of different scales into a low -dimensional latent space through linear projection for feature fusion.A MSMK -GPLVM is constructed by taking the fused features as the input and the data labels as the output ,and it realizes supervised learning through the connection between image data and data labels ,and jointly learns the GPLVM and linear projection weight matrix to improve the classification performance.Experimental results show that MSMK -GPLVM can effectively utilize the spatial structure information of images and the semantic label pared with other latent variable models ,it has better performance in dimension reduction and classification.【Key words 】Gaussian process ;latent variable ;dimension reduction ;semantic information ;spatial information DOI :10.19678/j.issn.1000-3428.00565560概述在机器学习和模式识别任务中,图像数据作为一种特殊的数据形式广泛应用于人脸识别[1]、表情识别[2]、年龄估计[3]等场景中,而此类数据通常具有较高的维度导致机器学习模型计算复杂度高且容易产生过拟合等维数灾难问题。
一种基于高斯隐变量模型的分类算法王秀美;高新波;李洁【期刊名称】《计算机学报》【年(卷),期】2012(35)12【摘要】高斯过程隐变量模型是近年来新兴的无监督降维方法,它可以找到高维数据的低维流形结构.但是由于高斯过程隐变量模型是无监督的概率降维方法,所以当数据集中的样本有类别标记信息时,高斯过程隐变量模型不能利用这些监督信息,实现分类的任务.为了使高斯过程隐变量模型可以处理分类任务,文中提出了一种监督的高斯过程隐变量模型分类模型.通过最大化后验似然的方法确定观测数据在隐空间的坐标,同时可以完成分类任务.实验结果证明了该模型可以有效地用于分类.%Gaussian process latent variable model is a new probabilistic approach for dimensionality reduction. It can obtain a low-dimensional manifold of a data set in an entirely unsupervised way. However, when there is some supervised information in the data set, Gaussian process latent variable model cannot use this information for supervised tasks, e. G. , classification and regression learning. For this purpose, a supervised Gaussian process latent variable model for classification is developed. The maximum-a-posterior algorithm is employed to estimate all latent variables position. Compared with the traditional Gaussian process latent variable model, the supervised version of this model shows more advantages in experiments.【总页数】7页(P2661-2667)【作者】王秀美;高新波;李洁【作者单位】西安电子科技大学电子工程学院西安710071;西安电子科技大学电子工程学院西安710071;西安电子科技大学电子工程学院西安710071【正文语种】中文【中图分类】TP181【相关文献】1.一种基于改进高斯过程隐变量模型的多角度人脸识别算法 [J], 刘剑;龚志恒;吴成东;高恩阳2.基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别 [J], 张向荣;缑丽敏;李阳阳;冯婕;焦李成3.一种基于高斯过程隐变量模型的表情识别方法 [J], 潘武生;黄玉水4.一种基于选择性卷积特征和最大后验高斯混合模型的细粒度图像分类算法 [J], 解冰; 朱宏擎5.基于高斯过程隐变量模型的滚动轴承故障识别 [J], 尹爱军;石波;谭建;李海珠因版权原因,仅展示原文概要,查看原文内容请购买。
基于判别特征加权的GPLVM算法
王秀美;高新波
【期刊名称】《计算机科学》
【年(卷),期】2009(36)3
【摘要】高斯过程隐变量模型是最近提出的比较流行的无监督降维方法.但是,它是一种无监督的机器学习算法,没有突出类结构,使得结果不能有效地表示类别信息.因此,提出一种利用判别特征值对高斯过程隐变量模型进行加权的算法,该算法不仅能够加强模型在低维流形上的判别性,而且能很好地保持类内的流形结构.
【总页数】4页(P189-192)
【作者】王秀美;高新波
【作者单位】西安电子科技大学电子工程学院,西安,710071;西安电子科技大学电子工程学院,西安,710071
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种改进了的基于遗传算法的维特征加权改进FCM算法 [J], 韦相;汤兴华
2.特征加权组稀疏判别投影分析算法 [J], 郑建炜;黄琼芳;杨平;王万良;马文龙
3.基于模糊判别准则和特征加权模板匹配的字符识别 [J], 郑宗良
4.基于特征加权的代理判别模型模式识别方法 [J], 潘海洋;郑近德;郭雨怡
5.基于多卷积核通道特征加权双目立体匹配算法 [J], 郑秋梅;温阳;王风华
因版权原因,仅展示原文概要,查看原文内容请购买。