基于增量高斯混合模型的在线密度估计研究

《基于增量高斯混合模型的在线密度估计研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ｒ诚薦參宵款Ｐ哥龙ｙ＇东謬＇ｆｃ鑛ｋｐｌ撕￥辩ｙ巧－ｙ＾］－每＇．却績糸赛／Ｊ達夸Ｖ每藝研毕业论文一私＾：社許＾产’费Ｓ＇Ｗ辦．＾ｆ＃為＇叫论题＾制＾Ｉ城Ｔ作牲ｒ邱巧奇替姐Ｉ群場＾指教＾二Ｋｉ縣授Ｖ研方：３城料习：二ｖ，．秦＾１：４義￥樣靡安＃－．嗦｜＾％’参：．＾參編＾＞龄筵赛－，．＾；，儒：藝麗雙＾３一：学号：ＭＧ１３３３０４２论支答辩日期：２０１６年５月％日指导教师：（签字）ＲｅｓｅａｒｃｈｏｆＯｎｌｉｎｅＤｅｎｓｉｔＥｓ

2、ｔｉｍａｔｉｏｎｙＢａｓｅｄｏｎＩｎｃｒｅｍｅｎｔａｌＧａｕｓｓｉａｎＭｉｘｔｕｒｅｓｂｙＴｉａｎｙｕＱｉｕＤｉｒｅｃ化ｄｂｙＰｒｏｆｅｓｓｏｒＪｉｎｘｉＺｈａｏ，ＦｕｒａｏＳｈｅｎＤｅａｒｔｍｅｎｔｏｆＣｏｍｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｐｐｇｙＮａｎｉｎＵｎｉｖｅｒｓｉｔｊｇｙＭａ２０１６ｙＳｕｈｍｉ巧ｅｄｉｎｐａｉｉｉａｌｕｌｆｉｌｍｅｎｔｏｆｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｆｆｏｒｔｈｅｄｅｇｒｅｅｏｆＭａｓｔ

3、ｅｒｉｎＣｏｆｎｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｐｇｙ南京大学研究生毕业论文中文摘要首页用纸毕业论文题目：基于增量高斯混合模型的在线密度估计研究计算机科学与技术专业２０１３级硕壬生姓名：邱天宇指导教师（姓名、职称）：赵金熙、申富饶教授摘要一密度估计是统计推断中的经典问题，组数据背后的概率密度函数反映了其在特征空间上的分布情况，能够为数据驱动的决策过程提供非常重要的信息。レ在聚类、异常检测ッ及可视化领域中，密度估计算法有着非常广泛的应用。随着移动互联网、社交

4、媒体等新兴模式的快速发展，流式大数据正普遍成为数据挖掘与分析的对象，其实时性、易失性、突发性、无序性、无限性的特点使得在线密度估计成为了必要。传统的密度估计算法，无论是参数式还是非参数式方法都无法在这样的情形下直接应用。参数式的算法适合进行在线化任务，但是表达能力有限；非参数式算法具有更加广泛的表达能力，但是往往时间和空间复杂度较高，，无法处理大规模的数据流而且需要保存所有历史数据。因此，需要能够把两者的优点结合起来的新方法达到在线密度估计的需求。本文从自组织増量学习神经网络巧ＯＩＮＮ）的增量学

5、习框架出发，通过分析一其学习算法，指出其与高斯混合模型之间的密切关系。基于此观察提出了种对流式大数据进行在线密度估计的增量高斯混合模型ＬＡＩＭ，同现有的在线式和离线式密度估计算法分别进行了对比实验和分析讨论。本文的主要工作有Ｗ下Ｈ点；一１．对密度估计这问题和常用的算法进行了分类总结，并梳理了参数式方法和非参数式方法各自的优缺点；２．介绍了自组织增量学习神经网络巧ＯＩＮＮ），通过对其学习算法的分析指出一其本质上是种高斯混合模型的增量化实现，这使得它能够进行在线密度Ｊ估计，而且（ｉｌ较低的模

6、型复杂度取得非参数式方法的灵活性；３ＳＯ．为学习局部复杂的密度分布的同时加速算法收敛的速度，在ＩＮＮ增量学习的结构上提出了基于局部参数更新策略的在线密度估计算法ＬＡＩＭ（ＬｏｃａｌＡｄａｐｔｉｖｅａｎｄＩｎｒｅｍｅｎｔａｌｇａｕｓｓｉａｎＭｋＵｉｒｅ），该模型通过将一每次迭代的过程限制在个局部区域，能够增量式地学习数据流中变化的密度分布，同时不破坏先前已经学习到的有效信息。实验表明，无论是在１人造数据还是真实数据集上，ＬＡＩＭ都比同类型的在线密度估计算法取得了更好的密度估计结果，在

7、许多情况下能够取得与复杂度更高的批处理算法相当的结果。关键词：密度估计；高斯混合模型；；增量学习自组织增量学习神经网络南京大学研究生毕业论文英文摘要首页用纸ＴＨＥＳＩＳ；ＲｅｓｅａｒｃｈｏｆＯｎｌｉｎｅＤｅ打ｓｉｔｙＥｓｔｉｍａｔｉｏ打ＢａｓｅｄｏｎＩｎｃｒｅｍｅＭａｌＧａｕｓｓｉａｎＭｉｘｔｕｒｅｓＳＰＥＣＩＡＬＩＺＡＴＩＯＮ：ＣｏｍｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｐｇｙＰＯＳＴＧ民ＡＤＵＡＴＥ：ＴｉａｎｙｕＱｉｕＭＥＮＴＯＲ：Ｐｒｏｆｅｓｓｏｒ

8、ＺｈａｏＦｕｒａｏ細ｅｎ，ＡｂｓｔｒａｃｔＤｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎｉｓａｃｌａｓｓｉｃａｌｒｏｂｌｅｍｉｎｓｔａｔｉｓｔｉｃａｌｉｎｆｅｒｅｎｃｅｓａｎｄｈａｓｂｅｅｎｐａｐｐｌｉｅｄｅｘｔｅｎｓｉｖｅｌｙｔｏｍａｎｆｉｅｌｄｓｉｎｍａｃｈｉｎｅ