基于拉普拉斯方法的大规模高斯过程分类算法

发布时间：2018-09-15 05:16

【摘要】：基于KL散度的大规模变分高斯过程分类算法(KLSP)需要同时对诱导变量的均值向量和协方差矩阵进行优化,这会给模型求解带来一定的挑战.基于拉普拉斯方法建立一种改进算法:首先为诱导变量的后验分布构造一个易于计算的下界;然后利用拉普拉斯方法计算该下界的一个高斯逼近作为诱导变量的后验分布函数的近似表达式,将问题转换为一个只与均值向量有关的凸优化问题,从而降低了模型的求解难度.仿真实验结果表明,所提出的改进算法在速度和精度上都较原始算法有了明显提高.
[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.
【作者单位】： 大连民族大学信息与通信工程学院;大连理工大学电子信息与电气工程学部;
【基金】：国家自然科学基金项目(61503058,61374170) 辽宁省自然科学基金项目(201602190,2015020084,2015020099) 辽宁省教育厅科学技术研究项目(L2014540,L2015127) 大连市青年科技之星项目(2016RQ072) 中央高校基本科研业务费专项资金项目(DC201501055,DC201501060201)
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 吕胜尚;;关于高斯过程的几个问题[J];西北电讯工程学院学报;1986年02期

2 喻鑫;柳健;田金文;;基于高斯过程的点匹配方法[J];华中科技大学学报(自然科学版);2007年12期

3 董晓慧;柴桂荣;孟宪春;;一种应用稀疏高斯过程回归模型的半监督分类算法[J];电脑知识与技术;2010年28期

4 傅启明;刘全;伏玉琛;周谊成;于俊;;一种高斯过程的带参近似策略迭代算法[J];软件学报;2013年11期

5 李宏伟;刘扬;卢汉清;方亦凯;;结合半监督核的高斯过程分类[J];自动化学报;2009年07期

6 黄丽平;孙永雄;申晨;;用基于中值滤波的高斯过程预测3G网络性能[J];计算机工程与应用;2013年02期

7 夏战国;夏士雄;蔡世玉;万玲;;类不均衡的半监督高斯过程分类算法[J];通信学报;2013年05期

8 何志昆;刘光斌;赵曦晶;王明昊;;高斯过程回归方法综述[J];控制与决策;2013年08期

9 刘辉;白峰杉;;基于混合高斯过程模型的高光谱图像分类算法[J];高校应用数学学报A辑;2010年04期

10 张乐;刘忠;张建强;任雄伟;;基于人工蜂群算法优化的改进高斯过程模型[J];国防科技大学学报;2014年01期

相关会议论文 前5条

1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年

2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年

5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

相关博士学位论文 前6条

1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年

2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年

6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

相关硕士学位论文 前10条

1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年

2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年

3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年

5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年

6 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年

7 王奉伟;改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D];东华理工大学;2016年

8 曹瑜;基于高斯过程的非线性不确定延迟系统的模型预测控制[D];华中科技大学;2014年

9 张莉萍;基于广义高斯过程回归的函数型数据分析[D];东南大学;2016年

10 王欢;基于逆高斯过程的退化数据分析与试验设计[D];东南大学;2016年

，

本文编号：2243893