結(jié)合監(jiān)督信息的狄利克雷混合模型及其應(yīng)用.pdf

1、機器學(xué)習(xí)是人工智能領(lǐng)域重要的議題之一，廣泛的應(yīng)用于視頻、圖像、生物信息處理、系統(tǒng)控制等領(lǐng)域。在傳統(tǒng)的機器學(xué)習(xí)中，各類機器學(xué)習(xí)模型依據(jù)學(xué)習(xí)過程的不同被分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種相異的數(shù)據(jù)處理方法。在監(jiān)督學(xué)習(xí)中，系統(tǒng)根據(jù)大量的標(biāo)簽樣本學(xué)習(xí)得到具有優(yōu)良模型泛化能力的分類器，然后利用該分類器對未知樣本進行類別標(biāo)記；非監(jiān)督學(xué)習(xí)則根據(jù)模型假設(shè)對無標(biāo)簽樣本進行非標(biāo)簽聚類，從而得到樣本間的相互關(guān)系。比較兩類方法可以發(fā)現(xiàn)，監(jiān)督學(xué)習(xí)方法雖然分類準(zhǔn)確，但數(shù)

2、據(jù)標(biāo)簽的標(biāo)定耗時耗力，而非監(jiān)督方法雖然具有省時省力等多方面的優(yōu)點，但由于指導(dǎo)信息的缺失，導(dǎo)致其對數(shù)據(jù)的歸類效果不理想。為此，如何將監(jiān)督方法與非監(jiān)督方法結(jié)合，設(shè)計一種半監(jiān)督聚類方法,從而結(jié)合非監(jiān)督方法的各自優(yōu)點已成為當(dāng)下研究的重點問題之一。
　　為解決上述問題，本文首先引入狄利克雷混合模型（Dirichlet Process Mixture Model，DPMM）。該模型是一種在數(shù)據(jù)分析中具有良好類別估算和概率表達(dá)能力的聚類模型，具

3、有建模能力強大、模型可擴展性好等突出優(yōu)點，因此被廣泛的應(yīng)用處理各類復(fù)雜的概率建模問題。拋開這類模型優(yōu)勢，DPMM聚類結(jié)果受數(shù)據(jù)復(fù)雜度的影響較大，聚類能力容易隨聚類樣本復(fù)雜度的增加而下降。針對這類問題，本文首先結(jié)合少量監(jiān)督信息，提出一種結(jié)合監(jiān)督學(xué)習(xí)的半監(jiān)督狄利克雷混合模型（Semi-supervised Dirichlet Process Mixture Model,SDPMM），然后針對此框架推導(dǎo)了估算后驗概率的變分推理算法。最后為驗證