【摘要】：基于KL散度的大規(guī)模變分高斯過程分類算法(KLSP)需要同時對誘導(dǎo)變量的均值向量和協(xié)方差矩陣進行優(yōu)化,這會給模型求解帶來一定的挑戰(zhàn).基于拉普拉斯方法建立一種改進算法:首先為誘導(dǎo)變量的后驗分布構(gòu)造一個易于計算的下界;然后利用拉普拉斯方法計算該下界的一個高斯逼近作為誘導(dǎo)變量的后驗分布函數(shù)的近似表達式,將問題轉(zhuǎn)換為一個只與均值向量有關(guān)的凸優(yōu)化問題,從而降低了模型的求解難度.仿真實驗結(jié)果表明,所提出的改進算法在速度和精度上都較原始算法有了明顯提高.
[Abstract]:The large-scale variational Gao Si process classification algorithm based on KL divergence (KLSP) needs to optimize the mean vector and covariance matrix of induced variables at the same time which will bring some challenges to the solution of the model. An improved algorithm based on Laplacian method is established. Firstly, a lower bound is constructed for the posterior distribution of induced variables. Then the Laplace method is used to calculate the approximate expression of a Gao Si approximation of the lower bound as the posterior distribution function of the induced variable, and the problem is transformed into a convex optimization problem related only to the mean vector. Thus, the difficulty of solving the model is reduced. The simulation results show that the speed and accuracy of the improved algorithm are obviously higher than that of the original algorithm.
【作者單位】： 大連民族大學(xué)信息與通信工程學(xué)院;大連理工大學(xué)電子信息與電氣工程學(xué)部;
【基金】：國家自然科學(xué)基金項目(61503058,61374170) 遼寧省自然科學(xué)基金項目(201602190,2015020084,2015020099) 遼寧省教育廳科學(xué)技術(shù)研究項目(L2014540,L2015127) 大連市青年科技之星項目(2016RQ072) 中央高校基本科研業(yè)務(wù)費專項資金項目(DC201501055,DC201501060201)
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 呂勝尚;;關(guān)于高斯過程的幾個問題[J];西北電訊工程學(xué)院學(xué)報;1986年02期

2 喻鑫;柳健;田金文;;基于高斯過程的點匹配方法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應(yīng)用稀疏高斯過程回歸模型的半監(jiān)督分類算法[J];電腦知識與技術(shù);2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過程的帶參近似策略迭代算法[J];軟件學(xué)報;2013年11期

5 李宏偉;劉揚;盧漢清;方亦凱;;結(jié)合半監(jiān)督核的高斯過程分類[J];自動化學(xué)報;2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過程預(yù)測3G網(wǎng)絡(luò)性能[J];計算機工程與應(yīng)用;2013年02期

7 夏戰(zhàn)國;夏士雄;蔡世玉;萬玲;;類不均衡的半監(jiān)督高斯過程分類算法[J];通信學(xué)報;2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應(yīng)用數(shù)學(xué)學(xué)報A輯;2010年04期

10 張樂;劉忠;張建強;任雄偉;;基于人工蜂群算法優(yōu)化的改進高斯過程模型[J];國防科技大學(xué)學(xué)報;2014年01期

相關(guān)會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應(yīng)面模型設(shè)計點選擇方法研究[A];中國計算力學(xué)大會'2010（CCCM2010）暨第八屆南方計算力學(xué)學(xué)術(shù)會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數(shù)字噪聲產(chǎn)生方法FPGA實現(xiàn)[A];第二十四屆全國空間探測學(xué)術(shù)交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標度因數(shù)溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測數(shù)據(jù)的高斯過程智能分析與預(yù)測[D];太原理工大學(xué);2016年

2 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

3 潘偉;基于高斯過程的高爐煉鐵過程辨識與預(yù)測[D];浙江大學(xué);2012年

4 賀建軍;基于高斯過程模型的機器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 夏戰(zhàn)國;基于高斯過程的提升機軸承性能評測方法研究[D];中國礦業(yè)大學(xué);2013年

6 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王雪茹;基于高斯過程的風(fēng)電機組部件建模與監(jiān)測研究[D];華北電力大學(xué);2015年

4 于立鑫;基于高斯過程—差異進化算法的隧道施工多元信息反分析研究[D];大連海事大學(xué);2015年

5 戈財若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學(xué);2015年

6 張棟;基于在線學(xué)習(xí)高斯過程有桿泵油井動態(tài)液面建模方法研究[D];東北大學(xué);2014年

7 王奉偉;改進的局部均值分解和高斯過程在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用研究[D];東華理工大學(xué);2016年

8 曹瑜;基于高斯過程的非線性不確定延遲系統(tǒng)的模型預(yù)測控制[D];華中科技大學(xué);2014年

9 張莉萍;基于廣義高斯過程回歸的函數(shù)型數(shù)據(jù)分析[D];東南大學(xué);2016年

10 王歡;基于逆高斯過程的退化數(shù)據(jù)分析與試驗設(shè)計[D];東南大學(xué);2016年

，

本文編號：2243893