申書(shū)題目基于變分的回歸及新類(lèi)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(zhuān)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(zhuān)業(yè))”名稱(chēng)：學(xué)術(shù)型 表中、專(zhuān)著、獲得的科研成果、專(zhuān)利情況：應(yīng)填寫(xiě)在學(xué)期間所“作者獲獎(jiǎng)?wù)攉@專(zhuān)利者列表”欄和“作者列表”欄作者獲獎(jiǎng)?wù)?、獲專(zhuān)利者5名的情況下填寫(xiě)此欄?！啊睉?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(lèi)型”選擇其一包括“國(guó)內(nèi)”“國(guó)際”“國(guó)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(xiě)3-5個(gè)，每詞用“，”隔開(kāi) 在學(xué)期間專(zhuān)著、獲得科研成果及有學(xué)術(shù)價(jià)值專(zhuān)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(yǔ)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(guó)家項(xiàng) □項(xiàng) □非立 近年來(lái)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(lái)越多的學(xué)術(shù)研究機(jī)構(gòu)與企業(yè)投入大三類(lèi)經(jīng)典問(wèn)題，在現(xiàn)實(shí)生活中的應(yīng)用十分廣泛。回歸問(wèn)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(lèi)問(wèn)可應(yīng)用郵件識(shí)人臉別為識(shí)別，聚類(lèi)問(wèn)題用于研消費(fèi)者社交網(wǎng)用戶(hù)行、植物科屬分、分組等?；貧w問(wèn)題和分類(lèi)問(wèn)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(lèi)問(wèn)來(lái)說(shuō)是離散值代表所類(lèi)別比椅子“人“正常件“件等無(wú)數(shù)含對(duì)于回歸問(wèn)來(lái)說(shuō)連續(xù)值，似，其本質(zhì)上也是類(lèi)別劃分，最終劃分的結(jié)果也是以類(lèi)別的形式呈現(xiàn)。傳統(tǒng)的分類(lèi)和聚類(lèi)問(wèn)題都有比較成算法。但是實(shí)際生活中往往會(huì)出現(xiàn)類(lèi)似分類(lèi)與本未涵所有類(lèi)傳統(tǒng)分類(lèi)算無(wú)利用無(wú)樣本的息而傳統(tǒng)的聚類(lèi)算法無(wú)法利有本的監(jiān)信息此本文提出種分類(lèi)類(lèi)協(xié)同習(xí)模型，該模型不僅可以將屬于已知類(lèi)別的樣本準(zhǔn)確分類(lèi)，又可以將不屬于任何已知類(lèi)別的樣本自用深度學(xué)習(xí)模型學(xué)習(xí)到的特征來(lái)進(jìn)行分類(lèi)聚類(lèi)，同時(shí)用分類(lèi)聚類(lèi)得到的類(lèi)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(lèi)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(wèn)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^(guò)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(lèi)聚類(lèi)協(xié)同算法，該算法不僅能夠有效地利用已知類(lèi)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(lèi)模型與聚類(lèi)模型更擅長(zhǎng)解決新類(lèi)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