申书题目基于变分的回归及新类识别方法研究

博士、农学博士、医学博士、管理学博士，哲学、经济学、法学硕士、教育学、文学、理学、工学、农学、医学、管理学等专业 （MBA应用统计、翻译、应用心理、农业推广、工程管理、药学等。“学科(专业)”名称：学术型 表中、专著、获得的科研成果、专利情况：应填写在学期间所“作者获奖者获专利者列表”栏和“作者列表”栏作者获奖者、获专利者5名的情况下填写此栏。“”应是反映工作成果的文章，包括“已”、“已正式 ”不填入表内。．8“类型”选择其一包括“国内”“国际”“国内会议”、．9．“收录情况”选择其一包括“SCI收录”“EI收录”“ISTP收录”“SSCI收录”、“CSCD收录”、“” ”：填写3-5个，每词用“，”隔开 在学期间专著、获得科研成果及有学术价值专利情一种基于变分贝叶斯支持向量回归的交通事故201610 篇 2项项 课程名12014—学年秋第22014—学年秋第12014—12014—学年秋第32014—2014—学年秋第22014—高级英语与笔记技12014—学年春22014—22014—学年春第22014—22014—学年春第22014—22014—学年春第22014—22014—学年春第12014—学年春青年心理健康——心理自12014—学年夏博 22014—12014—学年夏第22014—课程学学 2016952017125： ，，（3－5个变分，支持向量，回归3 □973、863项 □、国家项 □项 □非立 近年来着计算硬件与件的发各行业数据都呈式增为了有效地处理海量数据并从数据中挖掘到有价值的信息，越来越多的学术研究机构与企业投入大三类经典问题，在现实生活中的应用十分广泛。回归问题可应用于房价预测、价格预测交通量预噪声测等分类问可应用邮件识人脸别为识别，聚类问题用于研消费者社交网用户行、植物科属分、分组等。回归问题和分类问题均属于监督学习的范畴。所谓监督学习，是指在对目标数据进行预测前需要据已知带数据训模型后使用模型未的数据行预测。这里的就是监信息对分类问来说是离散值代表所类别比椅子“人“正常件“件等无数含对于回归问来说连续值，似，其本质上也是类别划分，最终划分的结果也是以类别的形式呈现。传统的分类和聚类问题都有比较成算法。但是实际生活中往往会出现类似分类与本未涵所有类传统分类算无利用无样本的息而传统的聚类算法无法利有本的监信息此本文提出种分类类协同习模型，该模型不仅可以将属于已知类别的样本准确分类，又可以将不属于任何已知类别的样本自用深度学习模型学习到的特征来进行分类聚类，同时用分类聚类得到的类别信息指导深度变分高斯混合模型：版本的高斯混合模型，比传统的GMM聚类效果更好；本文提出了一种鲁棒的回归预测模型。该模型有如下优势：本文回归预测模型比传统模型预测能力更强，且速度远快于传统模型。中“这样导致了两个问题：1.如果正则参数指定不合理，那么结果会受很大影响。可以通过交叉验证的方式寻找合适的正则参数，但又非常耗时；2.“点估计”使得当数据集的样本数 提出了一种基于变分的分类聚类协同算法，该算法不仅能够有效地利用已知类别的基于变分的深度学习模型。使用深度学习模型学到的数据特征比原始的数据特征更不同数据集进行的实验表明本文模型比传统的分类模型与聚类模型更擅长解决新类英要（中要的直译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