申書題目基于變分的回歸及新類識(shí)別方法研究

博士、農(nóng)學(xué)博士、醫(yī)學(xué)博士、管理學(xué)博士，哲學(xué)、經(jīng)濟(jì)學(xué)、法學(xué)碩士、教育學(xué)、文學(xué)、理學(xué)、工學(xué)、農(nóng)學(xué)、醫(yī)學(xué)、管理學(xué)等專業(yè) （MBA應(yīng)用統(tǒng)計(jì)、翻譯、應(yīng)用心理、農(nóng)業(yè)推廣、工程管理、藥學(xué)等。“學(xué)科(專業(yè))”名稱：學(xué)術(shù)型 表中、專著、獲得的科研成果、專利情況：應(yīng)填寫在學(xué)期間所“作者獲獎(jiǎng)?wù)攉@專利者列表”欄和“作者列表”欄作者獲獎(jiǎng)?wù)摺@專利者5名的情況下填寫此欄。“”應(yīng)是反映工作成果的文章，包括“已”、“已正式 ”不填入表內(nèi)。．8“類型”選擇其一包括“國內(nèi)”“國際”“國內(nèi)會(huì)議”、．9．“收錄情況”選擇其一包括“SCI收錄”“EI收錄”“ISTP收錄”“SSCI收錄”、“CSCD收錄”、“” ”：填寫3-5個(gè)，每詞用“，”隔開 在學(xué)期間專著、獲得科研成果及有學(xué)術(shù)價(jià)值專利情一種基于變分貝葉斯支持向量回歸的交通事故201610 篇 2項(xiàng)項(xiàng) 課程名12014—學(xué)年秋第22014—學(xué)年秋第12014—12014—學(xué)年秋第32014—2014—學(xué)年秋第22014—高級(jí)英語與筆記技12014—學(xué)年春22014—22014—學(xué)年春第22014—22014—學(xué)年春第22014—22014—學(xué)年春第22014—22014—學(xué)年春第12014—學(xué)年春青年心理健康——心理自12014—學(xué)年夏博 22014—12014—學(xué)年夏第22014—課程學(xué)學(xué) 2016952017125： ，，（3－5個(gè)變分，支持向量，回歸3 □973、863項(xiàng) □、國家項(xiàng) □項(xiàng) □非立 近年來著計(jì)算硬件與件的發(fā)各行業(yè)數(shù)據(jù)都呈式增為了有效地處理海量數(shù)據(jù)并從數(shù)據(jù)中挖掘到有價(jià)值的信息，越來越多的學(xué)術(shù)研究機(jī)構(gòu)與企業(yè)投入大三類經(jīng)典問題，在現(xiàn)實(shí)生活中的應(yīng)用十分廣泛?；貧w問題可應(yīng)用于房?jī)r(jià)預(yù)測(cè)、價(jià)格預(yù)測(cè)交通量預(yù)噪聲測(cè)等分類問可應(yīng)用郵件識(shí)人臉別為識(shí)別，聚類問題用于研消費(fèi)者社交網(wǎng)用戶行、植物科屬分、分組等?；貧w問題和分類問題均屬于監(jiān)督學(xué)習(xí)的范疇。所謂監(jiān)督學(xué)習(xí)，是指在對(duì)目標(biāo)數(shù)據(jù)進(jìn)行預(yù)測(cè)前需要據(jù)已知帶數(shù)據(jù)訓(xùn)模型后使用模型未的數(shù)據(jù)行預(yù)測(cè)。這里的就是監(jiān)信息對(duì)分類問來說是離散值代表所類別比椅子“人“正常件“件等無數(shù)含對(duì)于回歸問來說連續(xù)值，似，其本質(zhì)上也是類別劃分，最終劃分的結(jié)果也是以類別的形式呈現(xiàn)。傳統(tǒng)的分類和聚類問題都有比較成算法。但是實(shí)際生活中往往會(huì)出現(xiàn)類似分類與本未涵所有類傳統(tǒng)分類算無利用無樣本的息而傳統(tǒng)的聚類算法無法利有本的監(jiān)信息此本文提出種分類類協(xié)同習(xí)模型，該模型不僅可以將屬于已知類別的樣本準(zhǔn)確分類，又可以將不屬于任何已知類別的樣本自用深度學(xué)習(xí)模型學(xué)習(xí)到的特征來進(jìn)行分類聚類，同時(shí)用分類聚類得到的類別信息指導(dǎo)深度變分高斯混合模型：版本的高斯混合模型，比傳統(tǒng)的GMM聚類效果更好；本文提出了一種魯棒的回歸預(yù)測(cè)模型。該模型有如下優(yōu)勢(shì)：本文回歸預(yù)測(cè)模型比傳統(tǒng)模型預(yù)測(cè)能力更強(qiáng)，且速度遠(yuǎn)快于傳統(tǒng)模型。中“這樣導(dǎo)致了兩個(gè)問題：1.如果正則參數(shù)指定不合理，那么結(jié)果會(huì)受很大影響?？梢酝ㄟ^交叉驗(yàn)證的方式尋找合適的正則參數(shù)，但又非常耗時(shí)；2.“點(diǎn)估計(jì)”使得當(dāng)數(shù)據(jù)集的樣本數(shù) 提出了一種基于變分的分類聚類協(xié)同算法，該算法不僅能夠有效地利用已知類別的基于變分的深度學(xué)習(xí)模型。使用深度學(xué)習(xí)模型學(xué)到的數(shù)據(jù)特征比原始的數(shù)據(jù)特征更不同數(shù)據(jù)集進(jìn)行的實(shí)驗(yàn)表明本文模型比傳統(tǒng)的分類模型與聚類模型更擅長解決新類英要（中要的直譯Regression,classificationandclusteringarethreeclassicproblemsinmachinelearning.Theexistingregressionmodelhassomedrawbacksindealingwithregressionproblem,whilethetraditionalclassificationandclusteringalgorithmscannotsolvesomerelatedproblems.Therefore,thispaperproposedtwomodelstosolvethetwoproblems,andtheexperimentsprovedtheeffectivenessoftheproposedmodels.Oneofthemostpopularmodelstosolvetheregressionproblemissupportvectorregression(SVR)model,whichusesasmallnumberofsample(supportvector)trainingmodel,fasterandgeneralizationperformanceisbetter.However,TraditionalSVRsolversrequireuserpre-specifiedpenalty(regularization)parameterasinputandtypicallymodelthetrainingdatawith umaposterior(MAP)principle.Theresultantpointestimatescanbeaffectedseriouslybyinappropriateregularization,outliersandnoise,especiallywhentrainingonline.Inthispaper,weaddresstheaforementionedproblemsbydevelo aBayesianSVRmodelwiththepseudo-likelihoodanddataaugmentationidea.Thenweperformvariationalposteriorinferenceinanaugmentedvariablespaceandtheapproximateposteriorofmodelweights,ratherthanpointestimatesasintraditionalSVR,areusedtomakerobustpredictions.Besides,oncetheapproximateposteriorisobtainedfromagivensetofdata,wecanregarditasmodelpriorwhendealingwithnewarrivaldata,whichleadstoanaturalwaytoextendourbatchmodeltotheonlinescenario.Experimentsonseveralbenaccidentratepredictiontaskshowthatourmodelshavesuperiorperformancewhileinferringpenaltyparameterautomatically.Therearemanyeffectivemodelsfortraditionalclassificationproblems.However,clusteringproblemsaremorecommoninreality.Evenfortheclassificationproblems,duetothedifficultyincollectingcompletedataandhighcostinmanualannotation,sometimesthetestdatamaycontainsomenewcategorieswhichdonotappearintrainingdata.However,thetraditionalclassificationmodelscannotidentifytheunknowncategoryinthenewdata,whilethetraditionalclusteringmodelcannotmakeuseofthesupervisoryinformationfromknowncategories.Inordertosolvethisproblem,thispaperproposedavariationalBayesbasedclassification-clusteringcollaborativealgorithm.Theproposedalgorithmcannotonlyeffectivelyusethesupervisedinformationofknowncategories,butalsocanminethevaluableimplicitinformationfromunlabeleddataforclustering.Classificationandclusteringareintegratedintothesameprocess.Inaddition,inordertomaketheresultsofclassification-clusteringmoreaccurate,thispaperincorporatesavariationalBayesbaseddeeplearningmodel.Thedeeplearningmodelcanbeusedtoextractfeatures,whicharemorevaluableandwithlowerdimensionthantheoriginalones,resultingintheprocessofclassification-clusteringbespeededup.Inaddition,wealsoimprovedthedeeplearningmodelbyusingtheinformationfromclassification-clustering.Guidedbythecategoryinformation,thedeeplearningmodelcanlearnmorediscriminativefeatures.Severalexperimentsondifferentdatasetssuggestthatourmodelisbetteratdealingwiththenewcategoryrecognitionproblemsthanthetraditionalclassificationandclusteringmodels.Insummary,thispaperproposedtwomodelsbasedonvariationalBayes.Oneisaregression- modelthatcaninfertheregularizationparametersinthetraditionalsupportvectorregressionautomaticallycanbeusedforonlinelearning;theotheristheclassification-clusteringcollaborativelearning