概率混合模型的研究及其應(yīng)用.pdf

1、概率混合模型是一種常用的統(tǒng)計(jì)分析工具。由于其表達(dá)靈活,概率混合模型已成為當(dāng)前最流行的密度估計(jì)與聚類工具之一。然而,概率混合模型的一般形式往往無法直接投入某些特殊的應(yīng)用,例如自適應(yīng)學(xué)習(xí)、大規(guī)模分類、以及多任務(wù)學(xué)習(xí)等。本文將對(duì)概率混合模型在上述三方面進(jìn)行擴(kuò)展。首先,本文提出了一種基于“從一般到特定”學(xué)習(xí)策略的遞歸式混合模型。它能夠從一個(gè)離線學(xué)習(xí)得到的“一般模型”開始,通過在特定樣本域內(nèi)“主動(dòng)”檢測(cè)潛在正樣本對(duì)自身增量式更新,最終進(jìn)化為能夠適

2、應(yīng)該特定樣本域的“特定模型”。本文將其用于在線自適應(yīng)建立適合特定圖像光照條件的膚色模型,其檢測(cè)劍的皮膚區(qū)域較之于傳統(tǒng)方法在精確率上有顯著提高。其次,本文提出了一種基于“最大化簇間距”學(xué)習(xí)準(zhǔn)則的判別式混合模型——支持簇機(jī)。它整合了貝葉斯最優(yōu)分類器與間距最大化分類器兩者的優(yōu)點(diǎn):其一,使用高斯混合模型作為訓(xùn)練樣本以降低樣本數(shù)并同時(shí)保留原始數(shù)據(jù)的分布信息;其二,最大化簇間距以增強(qiáng)分類器的泛化能力。本文將其用于大規(guī)模數(shù)據(jù)分類問題,在基本不損失精度

3、的情況下,它能使時(shí)間復(fù)雜度急劇降低。再次,本文提出了一種用于“跨域知識(shí)共享”的雙向式混合模型——評(píng)分矩陣生成模型。通過對(duì)來自多個(gè)相關(guān)協(xié)同過濾域的評(píng)分矩陣使用雙向式混合模型聯(lián)合聚類,每個(gè)評(píng)分矩陣中的用戶與條目均可看作抽樣自評(píng)分矩陣生成模型,從而使其成為多個(gè)域之間知識(shí)傳輸與共享的橋梁。本文將其用于跨域協(xié)同過濾。實(shí)驗(yàn)證明,它確實(shí)能使每個(gè)任務(wù)從其它任務(wù)中獲取額外的有用信息。本文提出的三種概率混合模型的新穎擴(kuò)展各具特色,它們分別被用于解決三個(gè)常見