开题报告基于高斯过程动态模型的时序数据恢复方法

《开题报告基于高斯过程动态模型的时序数据恢复方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、理工大学毕业设计（论文）开题报告学生姓名：学号：专业（方向）：计算机科学与技术设计（论文）题目：基于高斯过程动态模型的时序数据恢复方法指导教师：讲师计算机科学与工程学院校外导师:2016年门月20日开题报告填写要求1.开题报告（含文献综述）作为毕业设计（论文）答辩委员会对学牛•答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查通过后牛效；2•“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于1

2、5篇（不包括辞典、手册）；3.有关年月H等H期的填写，应当按照国标GB/T7408—2005《数据元和交换格式、信息交换、日期和时间表示法》规定的要求,一律用阿拉伯数字书写。女「2007年3月15日”或“2007-03-15”。毕业设计（论文）开题报告1.结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述：―、研究背景与意义机器学习是信息科学领域的热点研究课题在控制工程、机器视觉、信息安全、生物信息和医疗诊断等众多领域具有广泛应用。高斯过程模型是一种机器学习方法，是基于贝叶斯框架的无参数核方

3、法，除传统核机器学习方法的优点外，它还具有易于实现、完全的贝叶斯公式化表示、可自适应地获得超参数等优点，因此被用于监督学习，比如回归、分类问题。高斯过程动态模型广泛适用于连续数据分析，比如行人追踪、动作数据识别和合成，以及电脑模拟等。本课题是使用高斯过程动态模型对时间序列进行建模、分析和预测，对于多种数据缺失的情况进行数据恢复与重建。其中，时间序列是一个以时间为参考集的序列，可以是各种随时间变化的数据。本课题的研究对现实环境下由于成本、时间上的耗费不能得到完整的数据，以及数据不可预测的丢失与损坏提供了恢复与预测，有助于提高数

4、据分析的准确性与稳定性。二、国内外研究现状过去提出的高斯过程动态模型扩展了高斯过程潜变量模型，是用一个高斯过程先验对连续的动作数据建模并预测潜在的位置⑴。它提供了一个从潜在的位置到人体姿势的非线性概率映射，以及一个潜空间上的动态映射。魁ng等人⑵描述并比较了四种学习高斯过程动态模型的算法：最大化后验（MAP）,混合核超参数0（Fix.ff）,平衡高斯过程动态模型（B-GPDM）和二级最大后验（T.MAP）。高斯过程动态模型广泛适用于连续数据分析，比如行人追踪、动作数据识别和合成,以及电脑模拟。比如Urtasun等人⑶介绍了平

5、衡高斯过程动态模型方法用来学习平滑的先骑模型，它建立于3D人体追踪得到的人体姿势和动作数据。Park和Yoo⑷利用高斯过程动态模型做了音素分类。Gamagc等人⑸利用高斯过程动态模型在手写字迹识别上避免了马尔科夫模型和人工神经网络。Henter等人⑹介绍了高斯过程动态模型用于讲话呈现和合成。An等人⑴展示了通过高斯过程动态模型建立一个在线的方法用于抓取动作的学习。一些高斯过程动态模型的变体和延伸由于特定的应用而发展。对于人体追踪，提出了质点过滤后的高斯过程动态模型建模，这能提高追踪的稳定性和鲁棒性⑻并处理多目标的追踪⑼。对于

6、轨道预测，高斯过程动态模型适用于连续部分可测的马尔科夫决定过程中的环境动力学的有效表征为了对多个活动建模，背后约束和拓扑约束被纳入局部线性高斯过程动态模型(11,(12,o为了考虑到多种动力学，Chen等人阳提出了用GPDM结合转换模型产生一个转换的高斯过程动态模型，它在潜变量上部有一个交换层。类似地,Chen等人提出购交换共享的高斯过程动态模型(SSGPDM)是一种无参数切换状态空间模型。它是共享高斯过程动态模型皿的一种延伸，原先它被转换状态所索引。后来，Deena等人同把具有可变阶的马尔科夫模型的SSGPDM用到了语音合

7、成上。为了学习对象之间的交互，Taubert等人设计了基于GPDM的层次模型，被称为HGPDMU6

8、O同样，Wang1171把外生变量合并进GPDM,使得HGPDM对人体运动实现了更好的解释、分析、预测。最近,Velychko等人冏提出了一种基于产品专家的耦合GPDM的方法，它可以学习人体部位的不同运动方式，还能为复杂的协调运动重组之前学到部分动作。三、相关研究技术综述上面介绍的GPDM及其变种被广泛应用到实际应用屮。但从现实世界获得的数据往往是不完整的。例如，在医疗问题上，并不是所有的病人都有必要的测量数据。在光学运动捕获

9、问题中，由于一些因素，如闭塞、有限的视野、捕获过程中的错误或者捕获设备的故障，部分数据会丢失。因此，找寻在GPDM上缺失的数据具有重要的意义和实用价值。几乎所有现成的学习GPDM的方法都依赖于完整的训练数据。当训练数据是不完整的，在参数更新前需要采用一个简单的重建巴这也可能带來累积的误差。