發(fā)布時間：2019-02-11 12:52

【摘要】：隨著移動互聯(lián)網的高速發(fā)展和智能設備的廣泛普及,各類圖像和文本數據在以前所未有的速度迅速膨脹,基于大數據的各種機器學習應用正在蓬勃發(fā)展。圍繞機器學習算法中常用的距離度量技術,本文主要做了以下幾個工作。第一,傳統(tǒng)的馬氏距離度量的學習目標是學習一個對稱半正定的矩陣,將數據特征投影到新的特征空間之后計算距離,它隱式度量了特征之間的二階關系,但當數據特征之間存在高階相關性時,馬氏距離度量的效果就不甚理想。本文基于馬爾可夫鏈中期望到達時間的概念,提出了一種新的距離度量方法——期望到達時間距離。它利用了馬爾可夫鏈中狀態(tài)轉移的時間序列關系,隱式度量了特征之間的高階相關性。第二,在期望到達時間距離度量中,一個合適的概率轉移矩陣T對算法性能的影響至關重要。為了從訓練數據中利用類別的判別信息自動學習到T,本文提出了基于梯度下降的優(yōu)化算法LED。之后,為了解決優(yōu)化算法復雜度過高、訓練效率低的缺點,提出了在增量學習的設定下的一種效率優(yōu)化算法LED-SGD。它利用了學習過程中矩陣低秩更新的特性,極大的降低了算法的復雜度,提高了訓練效率。第三,本文在三個圖像數據集和兩個文本數據集上將期望到達時間度量算法與5個前沿的馬氏距離度量算法進行了對比實驗,證明了期望到達時間度量算法相對于傳統(tǒng)馬氏距離度量算法的優(yōu)越性。同時,在圖像與文本數據集上分別進行了可理解性實驗,證明了通過LED算法學到的概率轉移矩陣T,在一定程度上捕捉到了數據中蘊含的語義信息。
[Abstract]:With the rapid development of mobile Internet and the widespread popularity of intelligent devices, all kinds of images and text data are expanding rapidly at an unprecedented speed, and various machine learning applications based on big data are booming. Focusing on the commonly used distance measurement techniques in machine learning algorithms, this paper mainly does the following work. First, the learning goal of the traditional Markov distance metric is to learn a symmetric positive semidefinite matrix and calculate the distance after projecting the data features into a new feature space, which implicitly measures the second-order relationship between the features. However, when there is high order correlation between data features, the effect of Markov distance measurement is not satisfactory. Based on the concept of expected arrival time in Markov chain, a new distance measurement method is proposed in this paper, which is expected arrival time distance. It makes use of the time series relation of state transition in Markov chain and measures the high order correlation between features implicitly. Secondly, a suitable probability transfer matrix T plays an important role in the measurement of the expected time of arrival (DOA). In order to learn from training data automatically by using classification discriminant information, an optimization algorithm based on gradient descent, LED., is proposed in this paper. Then, in order to solve the shortcomings of high complexity and low training efficiency of the optimization algorithm, an efficiency optimization algorithm, LED-SGD., is proposed under the setting of incremental learning. It takes advantage of the low rank update of matrix in the learning process, greatly reduces the complexity of the algorithm and improves the training efficiency. Thirdly, in this paper, three image data sets and two text data sets are compared with the Mahalanobis distance measurement algorithm and the expected arrival time measurement algorithm. It is proved that the expected arrival time measurement algorithm is superior to the traditional Markov distance measurement algorithm. At the same time, the understandability experiments on the image and text data sets show that the probability transfer matrix T, which is learned by the LED algorithm, captures the semantic information contained in the data to a certain extent.
【學位授予單位】：南京大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP181

【相似文獻】

相關期刊論文 前9條

1 陳萬勝;用到達時間對發(fā)射機定位[J];艦船電子對抗;1995年06期

2 王發(fā)強,曹順湘,楊祥林;隨機增益孤子系統(tǒng)中孤子到達時間的抖動[J];中國激光;1997年08期

3 嚴華;;馬爾可夫鏈中首次到達時間概率密度函數值的簡化計算[J];計算機輔助工程;2006年02期

4 華驚宇;鄭志龍;任宏亮;孟利民;江彬;;無線網絡中基于到達時間和的球面相交定位算法[J];浙江工業(yè)大學學報;2013年05期

5 屈亞麗;周國標;;方位-到達時間聯(lián)合TMA的可測性分析[J];電光與控制;2007年02期

6 譚營,鄧超;回波到達時間精確估測的多尺度方法[J];電子科學學刊;1998年03期

7 朗聲;多徑傳送實驗DAB室內實驗報告(二)[J];廣播電視信息;1997年01期

8 韓國榮,王松煜,植強,劉剛;一種新的測時方法的理論與仿真[J];電子對抗技術;2002年05期

9 ;[J];;年期

相關會議論文 前1條

1 張樹霞;張玉忠;;離散到達時間的可控排序問題[A];中國運籌學會第九屆學術交流會論文集[C];2008年

相關博士學位論文 前1條

1 張樹霞;延誤與離散可控排序[D];華東師范大學;2007年

相關碩士學位論文 前5條

1 儲醉;基于馬爾可夫鏈的期望到達時間距離學習[D];南京大學;2017年

2 岳雅娟;到達時間與工期同序的串行批處理機排序問題[D];沈陽師范大學;2013年

3 申大明;帶到達時間的單位工件在線排序[D];浙江大學;2007年

4 羅虹;基于GPS的公交車輛到達時間預測技術研究[D];重慶大學;2007年

5 劉大維;基于到達時間差異的超聲波AGV精確定位[D];大連理工大學;2006年

，

本文編號：2419747