基于稀疏贝叶斯回归的正则化核密度估计算法.pdf

�万方数据
基于稀疏贝叶斯回归的正则化核密度估计算法术������1������2扰,收敛速度为�厅一蕊�籎,即为达到设定精度,所华南理工大学学报�匀豢蒲О�������������������������(KDE)����������������������������������������������������������KDE������������SBR��KDE��������������������������������������近值作为输入,获得了��募�O∈璞硎拘问剑�笛榻峁�砻鳎河氪�矺�算法相比,在保持相当计算精度�嗍�榭鱿陆档土四P臀蟛�的情况下,文中算法的时空效率大幅度提高,而且在小样本训练集条件下得到的密度估计更光滑;:机器学习;核密度估计;贝叶斯回归;不适定逆问题;人工加噪正则化;高斯化������������TPl81��0242������������A密度估计问题作为很多基于统计的机器学习方��(����������������������������������������������������1����������������1��)���������������中,密度估计是熵估计��突バ畔⒐,人们先后提出了参数方法、非参数方法及半参数方法,其中应用最广��������������������������������������(KDE)����r��81������������������������������������������������������������������������KDE������逼近任意形状的密度函数.��������������������(��������������������������������)������������������������������������������������������������������KDE������������������������������������������(1)����练数据不加区别密集地使用,使算法具有二次的时间复杂度,同时选取最优窗宽需要额外的计算开销,加重了��募扑愀旱#�缬屑父鲅盗费�尽�个测试样本的单元��扑愕氖奔涓丛佣任狣��,且����������d��������O(d2)������������(2)������������������������������KDE������������所有训练数据驻留在内存中,使算法的空间复杂度正比于训练集的容量,当训练集包含海鼍数据时,一��������������������(3)��������������������需训练样本数随样本维数呈指数级增长,,数据十分稀少,仅在若干小的子空间内呈现数据流形,从��������������������������������������KDE����无法满足计算机视觉等要求实时处理的应用需求.��������KDE������������������������������������