基于數(shù)據(jù)幾何特性的概率推理和統(tǒng)計學習研究.pdf_第1頁
已閱讀1頁,還剩109頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、概率推理與統(tǒng)計學習是從數(shù)據(jù)中發(fā)掘客觀事物之間關聯(lián)和內在聯(lián)系的重要工具,是一個具有挑戰(zhàn)性與諸多困難的研究領域。本文對概率推理和統(tǒng)計學習的關鍵技術進行了深入探討,以幾何方法描述數(shù)據(jù)的幾何特性并與概率推理和統(tǒng)計學習方法相結合為主線和特色,研究了利用數(shù)據(jù)間幾何關聯(lián)性的線性和支持向量回歸方法、基于檢測時間序列幾何結構的變結構動態(tài)貝葉斯網(wǎng)絡自適應學習、基于幾何模式相關的動態(tài)貝葉斯網(wǎng)絡、以及基于兩聚類幾何模型的聚類數(shù)目估計問題。主要研究工作總結如下:

2、 1.針對目前線性回歸和支持向量回歸方法尚未關注挖掘和利用單個變量的數(shù)據(jù)關聯(lián)性的問題,提出了幾何關聯(lián)學習方法(GcLeam)以利用這種關聯(lián)性提高回歸模型的預測性能。幾何關聯(lián)學習方法預測性能的理論分析表明,該方法具有比傳統(tǒng)的線性回歸和支持向量回歸方法更好的預測性能,并給出了該方法的適用條件和判別準則。實驗結果也驗證了幾何關聯(lián)學習方法的有效性。該方法主要的創(chuàng)新點包括:提出挖掘單個變量的數(shù)據(jù)之間幾何關聯(lián)的方法、在曲線水平的幾何回歸方法

3、和利用幾何關聯(lián)的回歸模型預測方法。 2.提出了通過檢測時間序列的幾何結構來自適應學習變結構動態(tài)貝葉斯網(wǎng)絡的方法(autoDBN),較好解決了從多變量時間序列數(shù)據(jù)中尋找較準確的模型區(qū)域和學習較準確的變結構動態(tài)貝葉斯網(wǎng)絡的問題,并且求得的一系列模型自適應于多變量時間序列之間的變化依賴關系。該方法克服了現(xiàn)有方法無專門機制尋找模型區(qū)域和盲目搜索的弱點,實驗結果表明其性能明顯優(yōu)于現(xiàn)有方法。具體的創(chuàng)新點包括:設計了時間序列轉換為曲線流形的方

4、法,提出了描述和檢測時間序列幾何結構的方法來分割時間序列;進而設計了確定合理模型區(qū)域的尋找策略;最后,提出了基于競爭F.檢驗的模型回訪機制修正求得的一系列模型區(qū)域和動態(tài)貝葉斯網(wǎng)絡模型的可能錯誤。 3.為了發(fā)現(xiàn)不同基因的表達水平在變化趨勢上相關的基因調控關系,提出了基于幾何模式相關的動態(tài)貝葉斯網(wǎng)絡方法(Gp-DBN)。該方法較好地解決了基于趨勢相關的基因調控關系的發(fā)現(xiàn)問題。真實基因表達數(shù)據(jù)的實驗結果驗證了該方法的有效性。該方法主要

5、的創(chuàng)新點包括:提出的將基因表達的時間序列轉換為幾何模式的方法可以描述基因表達水平隨時間上升與下降的變化趨勢,用幾何模式上的切向量表示幾何模式特征的方法來有效地獲取幾何模式的離散特征量、確定調控子和估計調控時滯。 4.針對在使用PAM聚類算法的基因表達數(shù)據(jù)聚類分析中現(xiàn)有估計類數(shù)方法在聚類結構比較復雜的情況(例如小聚類靠近大聚類和聚類間有輕微重疊)下效果不佳的問題,提出了基于兩聚類幾何模型的系統(tǒng)演化方法這一類數(shù)估計方法。系統(tǒng)演化方法

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論