RPCL算法的理论发展和应用

在传统的聚类分析中,通常需要针对给定的数据选择出正确或合理的类别数,否则算法无法得到理想的聚类分析结果。当采用竞争学习（Competitive Learning, CL）算法进行聚类分析时也面临着同样的问题。然而,一般数据集中实际聚类个数（或竞争单元个数）的推断与选择却是一个十分困难的问题。为了解决这一难题,对手惩罚竞争学习（Rival Penalized Competitive Learning, RPCL）算法建立了一种有效的思想和方法。它通过预设较大的聚类个数,在竞争学习中引入了对手惩罚的机制,自动地选择出正确的聚类中心与个数,并将多余的聚类中心排除到无穷点或远离数据的地方。这种独特的思想和方法为聚类分析开辟了一条崭新的途径。本文将深入分析RPCL算法的理论发展,包括产生的根源及其思想、理论基础、在不同情况下的推广和变式,并且总结了RPCL算法在各个领域中的应用。     

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法（niMGP）,并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其它传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。      

生成对抗网络的发展与挑战

生成对抗网络（Generative adversarial network, GAN）由生成模型和判别模型构成,生成模型获取真实数据的概率分布,判别模型判断输入是真实数据还是生成器生成的数据,二者通过相互对抗训练,最终使生成模型学习到真实数据的分布,使判别模型无法准确判断输入数据的来源。生成对抗网络为视觉分类任务的算法性能的提升开辟了新的思路,自诞生之日起至今已经在各个领域产生了大量变体。本文的主要内容包括：生成对抗网络的研究现状、应用场景和基本模型架构,并列举了生成对抗网络本身所存在的弊端;从网络架构、损失函数和训练方式这三方面对生成对抗网络的各种主要典型发展进行归纳;详细总结和分析了生成对抗网络在人脸图像生成和编辑、风格迁移、图像超分辨率、图像修复,序列数据生成、视频生成等各个应用领域的算法以及对应算法的优缺点;介绍了生成对抗网络的常用评价指标并且分析了这些指标的适用场景和不足之处;最后从多个方面对生成对抗网络所面临的挑战进行了讨论,并指出了对其可能的改进方向。     

第五讲生物医学信息处理--DNA微阵列数据在医学中的应用

飞速发展的生物信息技术为现代医学提供了更为有效的工具．特别是随着人类基因组计划的基本完成和逐步细化，人们已经试图从基因水平上来认识生命现象，特别是一些重要疾病的机理．由于生物特性一般都涉及到多个基因的共同表达，这便出现了同时衡量成千上万个基因的表现水平的所谓DNA微阵列技术与数据．DNA微阵列数据也被称为大规模基因表达谱．根据这些微阵列数据，人们不仅能够对一些疾病进行分析，并且还能够发现一些新的生物特性与规律．另外，利用微阵列数据能够选取出疾病的相关基因并进行疾病的分类与诊断．这项研究无疑将推动医学的发展．最近，人们还进一步通过基因表达水平值来发现基因之间的调控方式，这将为疾病病理的研究与治疗提供更科学的依据．     

混合高斯模型的熵惩罚最大似然估计与自动模型选择

有限高斯混合模型是一种重要的概率模型,并在聚类分析,模式识别和信号处理等方面有着广泛的应用.在高斯(即正态)分量个数K未知时,仅仅根据样本数据来确定K是一个非常困难的问题.这实际上是一个模型选择问题,直接影响着应用的效果.为了解决这一模型选择问题,本文在一维混合高斯模型下提出了基于熵惩罚最大似然估计的梯度算法.实验表明这种算法能够在参数估计过程中自动实现模型选择,使得多余高斯分量的混合比例系数衰减为零.     

PCA联合子空间理论的规范化与扩展

对于高维数据的分类,主成分分析(PCA)联合子空间可为各类数据建立更为细致的概率模型,从而提高贝叶斯分类的准确性。本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数“代表特征根”的启发式取值正是其极大似然估计。本文进一步对样本残差的概率模型进行了扩展,提出了扩展型逐类联合子空间算法。最后,本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性。      

高斯混合模型的遗传分基融合算法

作为分析数据的一种有效工具,高斯混合模型被广泛地应用到信号与信息处理领域中.然而,如何从数据中直接来确定模型中高斯分量的个数仍然是一个非常困难的问题.针对这一问题,本文提出了一种遗传型分裂融合优化算法,称之为分基融合算法.该算法以传统的EM算法为基础,通过类似遗传算法的随机分裂与融合操作,能够自动确定混合模型中高斯分量的数目.同时,它还能够估计出各个高斯分量的详细参数.实验表明,这种分基融合算法能够对于一般混合高斯数据建立合理的模型.     

多址可加信道分组码的唯一可译性

本文对多址可加信道分组编码进行了研究，得出了唯一可译性的充要条件及有关判别准则，并对译码算法进行了探讨．     

基于高斯过程混合模型的国债收益率预测

债券分析的核心问题是发现偿还期限与到期收益率之间的关系,即利率期限结构,而实际上国债利率期限结构是最为重要和基本的模式。目前人们对于利率期限结构的分析主要采用经济理论模型和数量模型进行,但是这两种方法都难于对国债收益率进行有效的预测。基于高斯过程混合模型强大的数据拟合和分析能力,本文将其应用于国债收益率的建模和预测。本文采用国债收益率数据作为输出变量,筛选出对国债收益率影响最强的一组作用因子作为驱动或输入变量,然后利用高斯过程混合模型对数据进行学习和建模,并依此对国债收益率进行建模和分析。实验结果表明高斯过程混合模型能够更好的描述国债利率期限结构。相比于其他机器学习模型和算法,高斯过程混合模型在国债收益率的测试数据上获得了更好准确的预测结果。      

基于深度学习的酒标分割研究

红酒图像中的酒标区域含有重要的红酒品类信息,而对酒标区域的定位与分割可以有效去除背景区域对图像匹配算法的干扰。传统图像分割算法大多基于局部图像特征和人工设计规则,对噪声较为敏感,并且难以应对大规模数据的处理。针对传统算法的不足,本文首先构造了一个大规模酒标分割数据集,然后提出了一种基于深度学习的酒标分割方法。我们构造了一个基于残差网络的语义分割模型,并且在模型中加入跨层连接,实现低层特征和高层特征的有效融合,使得分割的边缘细节更加清晰和准确。另外,我们采用了带孔卷积金字塔池化结构整合多尺度信息,在增大模型感受野的同时使得模型适应不同尺度的酒标区域。在我们构造的酒标数据集上的实验结果表明,本文提出的酒标分割网络能够进行实时的酒标图像分割,并且达到了相当高的分割准确率。