版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、在模式識(shí)別這個(gè)領(lǐng)域中,混合模型是統(tǒng)計(jì)模式識(shí)別最主要的模型之一.混合模型的估計(jì)方法有很多,其中研究最多并且為人們所熟知的是EM算法.然而局部?jī)?yōu)化的EM算法可能會(huì)遇到一些問(wèn)題,比如初始模型參數(shù)的選取,有時(shí)該算法還可能表示出不同的收斂速度,另外最困難就是模型階數(shù)(模型的成分個(gè)數(shù)和維數(shù))的確定.在混合模型中一個(gè)越來(lái)越重要的任務(wù)就是模型選擇問(wèn)題,即選擇模型的成分個(gè)數(shù)和維數(shù).目前的研究方法有MCMC還有變分法等等,但是解決的效果都不是很好.該文主要
2、是利用Boosting算法的思想得出的一個(gè)估計(jì)混合模型的遞歸式算法.該算法可以相對(duì)精確地估計(jì)出混合模型中成分的個(gè)數(shù),同時(shí)還可以得到模型中參數(shù)的估計(jì).Boosting算法的主要思想是根據(jù)訓(xùn)練數(shù)據(jù)目前的權(quán)重調(diào)用某些基礎(chǔ)分類算法從而更新訓(xùn)練數(shù)據(jù)的權(quán)重,不斷這樣迭代,最終得到這些基礎(chǔ)分類器的加權(quán)組合.這個(gè)最終的分類器的效果明顯高于那些基礎(chǔ)的分類器的效果.最近許多專家把Boosting解釋為是一種尋找最小化損失函數(shù)的分類器組合的梯度下降算法.Ma
3、son等人在他們的一篇文章中提出在分類器空間中尋找與損失函數(shù)的負(fù)梯度內(nèi)積最大的分類器做為新的迭加的分類器這樣的思想.既然Boosting可以理解為一個(gè)熟悉的優(yōu)化問(wèn)題,我們就可以把這一思想用到混合模型的建模中去,其中損失函數(shù)取為負(fù)對(duì)數(shù)似然.我們給出適當(dāng)?shù)耐V挂?guī)則就可以估計(jì)出一個(gè)模型的理想成分的個(gè)數(shù).在算法具體的執(zhí)行中我們將Bagging這樣的方法用到其中可以使我們的算法產(chǎn)生較為理想的停止規(guī)則.從而避免了的成分?jǐn)?shù)的選擇和其他方法存在的某些問(wèn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 10612.隨機(jī)逼近在混合線性模型中的應(yīng)用
- 23145.em算法在混合模型參數(shù)估計(jì)中的應(yīng)用
- 能量一致積分方法及其在混合試驗(yàn)中的應(yīng)用.pdf
- 爐渣混合砂在混凝土中的應(yīng)用研究.pdf
- 混合特征選擇方法在電廠粉塵濃度監(jiān)測(cè)模型中的應(yīng)用研究.pdf
- Boosting方法及其在圖像理解中的應(yīng)用研究.pdf
- 沖擊-回波方法在混凝土檢測(cè)中的應(yīng)用.pdf
- EM算法及其改進(jìn)在混合模型參數(shù)估計(jì)中的應(yīng)用研究.pdf
- 差值法在混合痔術(shù)后疼痛強(qiáng)度評(píng)估中的應(yīng)用.pdf
- 粒子群算法在混合尺寸泡沫圖像分割中的應(yīng)用.pdf
- 層間隔震在混合加層結(jié)構(gòu)中的應(yīng)用分析.pdf
- 線性混合模型的模型選擇.pdf
- 切平面在混合整數(shù)非線性規(guī)劃中的應(yīng)用.pdf
- 粘聚力模型在混凝土裂紋擴(kuò)展中的應(yīng)用.pdf
- 幾種變量選擇方法在Cox模型中的應(yīng)用.pdf
- Boosting方法在基因微陣列數(shù)據(jù)判別分析中的應(yīng)用.pdf
- OCDMA技術(shù)在混合光接入網(wǎng)中的研究及應(yīng)用.pdf
- moodle學(xué)習(xí)分析工具在混合教學(xué)中的應(yīng)用研究
- Elastic Net方法在幾類模型變量選擇中的應(yīng)用.pdf
- 數(shù)據(jù)在混合存儲(chǔ)系統(tǒng)中的放置.pdf
評(píng)論
0/150
提交評(píng)論