检索结果-内蒙古大学图书馆

作者：罗亭亭西安电子科技大学

学位级别：硕士

大数据时代,如何对大量数据进行有效压缩成为了统计学习领域的热门研究课题。针对概念类,Littlestone和Warmuth在1986年定义了样本压缩方案。Vapnik-Chervonenkis（vc）维数是函数类复杂性的一种度量,有限概念类是否存在大小为其vc维数... 详细信息

大数据时代,如何对大量数据进行有效压缩成为了统计学习领域的热门研究课题。针对概念类,Littlestone和Warmuth在1986年定义了样本压缩方案。Vapnik-Chervonenkis（vc）维数是函数类复杂性的一种度量,有限概念类是否存在大小为其vc维数的样本压缩方案,也称样本压缩猜想,引起了学者们的广泛关注。离散无向图模型是分类中常用的模型之一,目前,它已成功地应用到了包括机器学习、生物信息学在内的多个领域。本文考虑离散无向图模型诱导的概念类的压缩性,具体工作如下: （1）构建了三类无向图模型诱导的概念类的有标签样本压缩方案。对于包含两个顶点X1,X2且无边连的无向图,X1∈{0,1},X2∈{0,1,...,k2-1}（k2∈N,k2≥2）,基于模型的二次二项式表示,本文给出了模型诱导的概念类的大小为k2+1的有标签压缩方案。然后,考虑包含三个顶点X1,X2,X3且有两条边的无向图,X1∈{0,1},Xi∈{0,1,...,ki-1},ki∈N,ki≥2,i=2,3,证明了相应的概念类的大小为k2（k3+1）的有标签压缩方案的存在性。因此,对于任意包含两个团K1={X1,X2,...,Xn1},K2={X2,X3,...,X_n}且X1∈{0,1}的无向图,模型诱导的概念类的大小为vc维数的有标签样本压缩方案存在。（2）构建了三类无向图模型诱导的概念类的无标签样本压缩方案。考虑上述第一类模型诱导的概念类的无标签压缩性,本文给出了一个代表映射r,证明了概念类中的每一个概念都可压缩到大小不超过k2+1的无标签子集,且重构函数与原始概念一致,然后证明了概念类存在一个大小为k2+1的无标签压缩方案。进一步,推广该结论至另外两种图模型诱导的概念类中,证明了大小为其vc维数的无标签样本压缩方案的存在性。本文给出的有标签压缩方案是非适当的,即重构的概念不一定属于原始概念类,如何构建适当的有标签压缩方案值得进一步探索。本文研究的三类无向图模型中,第一类模型诱导的概念类的压缩情况至关重要。对于两个顶点无边连的无向图,当两个顶点都取任意有限个值时,模型诱导的概念类的样本压缩问题尚没有解决。

关键词：样本压缩方案离散无向图模型概念类 vc维数二次二项式

来源：评论

学校读者我要写书评

暂无评论

带标签样本压缩方案的研究

带标签样本压缩方案的研究

引用

作者：王银珠西安电子科技大学

学位级别：硕士

随着信息技术的发展,数据规模呈爆炸式增长,数据压缩作为高效存储和传输信息的重要手段,被广泛应用于多个领域。样本压缩是统计学习领域的一个重要研究方向。概念类的样本压缩方案分为有标签压缩和无标签压缩,压缩过程由学习算法实现,... 详细信息

随着信息技术的发展,数据规模呈爆炸式增长,数据压缩作为高效存储和传输信息的重要手段,被广泛应用于多个领域。样本压缩是统计学习领域的一个重要研究方向。概念类的样本压缩方案分为有标签压缩和无标签压缩,压缩过程由学习算法实现,压缩能力可以保证良好的泛化性能。本文针对带标签样本压缩方案展开研究,具体工作如下: (1)受到最大类无标签样本压缩方案的启发,针对Vapnik-Chervonenkis(vc)维数为d的最大类,本文给出了一个递归压缩算法,并证明其压缩结果是大小不超过d的带标签子样本。随后将递归压缩算法与先前两种带标签压缩算法进行比较,证明三种算法在最大类的情况下输出结果一致。本文给出的递归压缩算法与先前已有的重构算法组成了最大类的一个大小为d的新的带标签样本压缩方案。该项工作建立了最大类的无标签样本压缩方案与有标签样本压缩方案之间的联系,这为最大类的带标签样本压缩研究提供了新的算法。 (2)最大类的任何两个概念对于无标签样本压缩方案的表示映射满足不冲突性是保证无标签样本压缩方案存在的重要条件。一个自然的要求是:若一个概念类的带标签样本压缩方案存在,则概念类中任意两个概念对于带标签样本压缩函数满足不冲突条件。考虑两种特殊的概念类——最大类和极端类,利用最大类单包含图中任意两端点的最短路径与汉明距离之间的关系,证明了该要求对于最大类成立。进一步,考虑到最大类是一种特殊的极端类,本文将该要求推广至极端类的带标签样本压缩函数,并给出严格证明。该项工作对带标签样本压缩方案的研究提供了新的思路。本文研究了最大类和极端类的带标签样本压缩方案。对于一般的概念类,任意两个概念是否分别存在大小为其vc维数的带标签子集满足不冲突条件需要进一步研究。

关键词：最大类样本压缩方案递归算法 vc维数不冲突条件

来源：评论

学校读者我要写书评

暂无评论

四值贝叶斯网络诱导的内积空间

引用

现代电子技术 2012年第4期35卷 1-3,6页

作者：白旭英西北农林科技大学理学院陕西杨凌712100

结合贝叶斯网络与核函数,通过概率分布等价性的转换,分析了四值贝叶斯网络诱导的内积空间,得到无连接、全连接以及k个节点具有一个父节点的特殊四值贝叶斯网络诱导的内积空间的最低维数。为进一步研究多值贝叶斯网络诱导的内积空间开辟... 详细信息

结合贝叶斯网络与核函数,通过概率分布等价性的转换,分析了四值贝叶斯网络诱导的内积空间,得到无连接、全连接以及k个节点具有一个父节点的特殊四值贝叶斯网络诱导的内积空间的最低维数。为进一步研究多值贝叶斯网络诱导的内积空间开辟了新途径,还通过分析概念类的vc维确定了其欧几里德维数的下界。vc维还可用于估计贝叶斯网络概念类的复杂性和判断概念类的分类性能。

关键词：贝叶斯网络内积空间线性排列 vc维数欧几里德维数

来源：评论

学校读者我要写书评

暂无评论

贝叶斯网络诱导的内积空间

引用

电子科技 2009年第7期22卷 1-4,8页

作者：白旭英杨有龙西安电子科技大学理学院陕西西安710071 西北农林科技大学理学院陕西杨凌712100

概率模型和核函数相结合的方法是学习系统的热点研究领域,贝叶斯网络是重要的一类概率图形模型。文中主要讨论了变量取值在布尔域上的两类分类任务,重点讨论了几个常见贝叶斯网络诱导的内积空间的最低维数,为解决一些常见的分类问题提... 详细信息

概率模型和核函数相结合的方法是学习系统的热点研究领域,贝叶斯网络是重要的一类概率图形模型。文中主要讨论了变量取值在布尔域上的两类分类任务,重点讨论了几个常见贝叶斯网络诱导的内积空间的最低维数,为解决一些常见的分类问题提供了理论依据。文中通过分析概念类的vc维来确定其欧几里德维数的下界,vc维还可用于估计贝叶斯网络概念类的复杂性和判断概念类的分类性能。

关键词：贝叶斯网络内积空间线性排列 vc维数欧几里德维数

来源：评论

学校读者我要写书评

暂无评论

基于线性规划的分类支持向量机

引用

计算机辅助工程 2007年第1期16卷 38-43页

作者：谢宏刘鹤立魏江平上海海事大学信息工程学院江苏信息职业技术学院计算机工程系

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支... 详细信息

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支持向量机进行数值试验,其中有3种是线性规划支持向量机(包括提出的两种支持向量机)和经典的二次规划支持向量机.实验结果表明,对线性支持向量机中3种支持向量机计算的模型参数均与理论值接近;对非线性支持向量机情形中l1-范数支持向量机具有最少的支持向量和较好的学习效果.

关键词：统计学习理论 vc维数支持向量机线性规划

来源：评论

学校读者我要写书评

暂无评论

参数自适应决策的多分辨率核支持向量分类器

引用

信号处理 2006年第5期22卷 712-715页

作者：胡正平张晔哈尔滨工业大学通信电子工程系图象信息处理研究所

为克服经典支持向量分类器(Svc)训练算法中参数的选择需要多次人工调整的缺陷,本文提出了基于多分辨率核的支持向量机参数自适应调节策略。首先通过分析非线性核映射的特征空间超平面的最小vc维数,提出了多分辨率核函数参数的自适应优... 详细信息

为克服经典支持向量分类器(Svc)训练算法中参数的选择需要多次人工调整的缺陷,本文提出了基于多分辨率核的支持向量机参数自适应调节策略。首先通过分析非线性核映射的特征空间超平面的最小vc维数,提出了多分辨率核函数参数的自适应优化准则。然后通过迭代求解获得最优泛化能力的多分辨率核参数数值。多分辨率核函数方法保持了经典Svc训练算法结构风险最小化的原则,克服了经典Svc选择单一参数的缺陷。仿真实验结果表明本文提出的算法能够自适应的选择合适的核参数达到最优泛化能力。

关键词：支持向量分类器 vc维数多分辨率核结构风险最小化原理

来源：评论

学校读者我要写书评

暂无评论

基于线性规划的回归支撑向量机

引用

上海海事大学学报 2006年第1期27卷 49-52页

作者：谢宏魏江平刘鹤立上海海事大学信息工程学院江苏信息职业技术学院计算机工程系

在结构风险中采用l∞-范数来控制模型复杂性的基础上,提出基于线性规划的支撑向量机,并通过求解对偶规划来提高单纯形学习算法的计算速度.数值试验结果表明,此类支撑向量机的学习效果与经典的支撑向量机的学习效果相似,当学习样本个数... 详细信息

在结构风险中采用l∞-范数来控制模型复杂性的基础上,提出基于线性规划的支撑向量机,并通过求解对偶规划来提高单纯形学习算法的计算速度.数值试验结果表明,此类支撑向量机的学习效果与经典的支撑向量机的学习效果相似,当学习样本个数增加时线性规划支持向量机的学习时间增加的要少得多,但是支撑向量个数比较多.

关键词：统计学习理论 vc维数支撑向量机(SVM) 线性规划

来源：评论

学校读者我要写书评

暂无评论

人工神经网络知识增殖性分析

引用

计算机研究与发展 2005年第2期42卷 224-229页

作者：黄华罗四维刘蕴辉李爱军北京交通大学计算机与信息技术学院北京100044

人工神经网络的知识增殖能力是该领域的热点和难点问题 ,具有重要的理论和实践意义对人工神经网络的知识增殖性问题进行了较深入的探讨 ,从网络推广能力的角度分析了具有知识增殖能力的神经网络系统的结构设计问题 ,指出将多个网络个... 详细信息

人工神经网络的知识增殖能力是该领域的热点和难点问题 ,具有重要的理论和实践意义对人工神经网络的知识增殖性问题进行了较深入的探讨 ,从网络推广能力的角度分析了具有知识增殖能力的神经网络系统的结构设计问题 ,指出将多个网络个体结合在一起是实现人工神经网络增殖学习的重要方法 ,网络的自治能力在此具有重要的意义利用具有自治能力的神经网络构建的网络群体中 ,网络个体无需改变而整体具有增殖学习能力。

关键词：人工神经网络知识增殖 vc维数机器学习

来源：评论

学校读者我要写书评

暂无评论

关于Sauer引理的一个推广

引用

内蒙古大学学报（自然科学版） 2004年第3期35卷 260-261页

作者：德力呼伦贝尔学院计算机系内蒙古海拉尔021008

Sauer引理是统计学习理论中的基本结论.在许多实际问题中,需要研究N类模式识别问题.本文将Sauer引理推广到N类分类问题.

关键词：分类 vc维数打散

来源：评论

学校读者我要写书评

暂无评论

统计机器学习理论与算法研究

统计机器学习理论与算法研究

引用

作者：张文生中国科学院自动化研究所

学位级别：博士

通过对统计机器学习深入研究,研究人员认为统计机器学习理论有三个核心问题,他们是:1、风险界的问题(涉及vc维的计算或者估计);2、结构风险最小化问题;2、实现统计机器学习的方法.针对统计机器学习研究的三个核心问题,该论文的主要贡献... 详细信息

通过对统计机器学习深入研究,研究人员认为统计机器学习理论有三个核心问题,他们是:1、风险界的问题(涉及vc维的计算或者估计);2、结构风险最小化问题;2、实现统计机器学习的方法.针对统计机器学习研究的三个核心问题,该论文的主要贡献表现在下述五个方面:1、将支持向量机算法定义在几何之上,引入了复合核函灵敏,其目的是为了解决传统支持向量用二次规划方法难以解决海量数据机器学习问题,同时给出了局部SV领域算法、近似最优SV领域算法和SV领域算法等三种求解大规模数据支持向量的快速、有效的几何算法.2、由于vc维数不直观、难于计算,该文试图用覆盖数取代了vc维数,借助几何方法刻画vc维和近似实现结构风险最小化,并用一种特殊的覆盖(球邻域覆盖)描述覆盖数,为实现基于领域原理计算海量数据支持向量作理论准备.3、在传统的统计机器学习理论中,引入后验概率以解决目前存在的大量事件序问题.4、根据函数型连接神经网络理论存在的不足,可以在给定核函数情况下,利用支持向量机通用的构造性算法,求出FLN输入增强模式.5、对微软中国研究院***提出的基于该方法实现光照不变人脸识别系统的模型,进行了形式化,拓广了StanZ.提出的光照不变性的函数.研究人员还做了下面两个工作:1、深入地研究了核函灵敏方法和结构风险最小化的来源,同时,研究了vc维数和结构网络最小化的机制,给出了对统计机器学习理论的看法.2、从泛函分析和优化理论的观点分析了结构风险最小化原理、支持向量机技术、神经网络算法.

关键词：统计机器学习 vc维数结构风险最小化神经网络模式识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：