基于高斯過程隱變量模型的數(shù)據(jù)降維與分類.pdf

1、自然界的很多信息都采用高維數(shù)據(jù)來表示。這些數(shù)據(jù)結構復雜、規(guī)模大，難以直接處理。如何對這些數(shù)據(jù)進行降維處理是機器學習、模式識別等領域研究的重要內容。相關技術的改進和優(yōu)化對高維數(shù)據(jù)分析有著重要的意義。
　　高斯過程隱變量模型是一個無監(jiān)督的概率降維模型，該模型是基于概率主成分分析方法，但該模型不具有利用樣本標簽信息的能力，因此不適用于分類問題;同時，該模型假設各個樣本相互獨立，對于時間序列數(shù)據(jù)，不能建立樣本之間的動態(tài)聯(lián)系，因而該模型不適

2、用于時間序列的建模。針對以上問題，本文對高斯過程隱變量模型進行擴展。使該模型利用標簽信息，對低維隱變量的分布進行假設，將其擴展為一個具有分類學習能力的降維模型。實驗結果表明在分類問題上，本文提出的擴展模型具有比其他模型更好的分類能力。
　　同時，采用馬爾科夫過程對隱變量之間的動態(tài)聯(lián)系進行建模，并引入多核學習的策略提高模型的泛化能力。實驗結果表明在時間序列降維問題上，該模型對某類人體姿態(tài)數(shù)據(jù)之間的動態(tài)聯(lián)系有著較好的保留，同時讓該模型