用于分類的高斯過程研究.pdf_第1頁
已閱讀1頁,還剩53頁未讀 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、  高斯過程模型(GP)已經(jīng)成為機器學習領(lǐng)域中一個新的研究熱點,其良好的非參數(shù)、非線性特性以及先天概率背景,使得GP模型相對于其它傳統(tǒng)的機器學習模型具有更優(yōu)越的性能。GP模型既可用于分類,也可用于回歸預(yù)測,當其用于分類時又被稱為高斯過程分類模型(GPC),本文主要對GPC模型展開研究。在國家自然科學基金項目(60972106)資助下,本文主要研究了GPC模型實現(xiàn)方法及超參數(shù)選擇問題。主要研究工作如下:
  (1)提出了一種基于

2、類間距判據(jù)(DBTC)的高斯過程模型超參數(shù)選擇方法。首先分析了GP模型傳統(tǒng)的超參數(shù)選擇方法,指出其不足之處,然后通過定義DBTC并分析其應(yīng)用于超參數(shù)選擇的優(yōu)勢,選用DBTC作為高斯過程超參數(shù)選擇判別依據(jù)。主要實現(xiàn)思路為:將超參數(shù)作為自變量,DBTC作為因變量,獲得DBTC隨超參數(shù)變化的函數(shù),采用共軛梯度法求此函數(shù)的極值,以此獲得最優(yōu)超參數(shù)。將此方法在人工生成的樣本集上進行高斯過程分類實驗,驗證了其可行性。
  (2)將本文基于

3、DBTC的超參數(shù)選擇方法用來解決實際的二維樣本集分類問題。通過多個實際二維樣本集分類實驗,比較基于DBTC的超參數(shù)選擇方法與傳統(tǒng)超參數(shù)選擇方法間的性能,本文基于DBTC的超參數(shù)選擇方法應(yīng)用于GPC模型時分類性能優(yōu)于傳統(tǒng)的超參數(shù)選擇方法。從實驗結(jié)果可看出,基于DBTC的方法的分類準確率相當于或略高于傳統(tǒng)的超參數(shù)選擇方法,且超參數(shù)選擇耗時更少。
  (3)將基于DBTC的高斯過程超參數(shù)選擇方法用來解決高維樣本集的分類問題。由于在高

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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論