《深度機率圖模型的學習與推理預測》是依託西安電子科技大學，由楊有龍擔任項目負責人的面上項目。
基本介紹
- 中文名：深度機率圖模型的學習與推理預測
- 項目類別：面上項目
- 項目負責人：楊有龍
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
本項目將深度學習的思想融入機率圖模型，通過建立深度機率圖模型的學習理論和推理預測機制，揭示數據之間的內在機率關係，開發易於實現數據推理預測的最佳化算法，為大容量、非線性的複雜數據分析預測提供理論基礎和套用範例。本項目通過引進隱藏變數層、聚類可觀察變數、套用薄聯合樹方法構建深度圖模型的框架，研究機率分布因子易於重組、數據樣本表示緊湊、具有良好可擴展性的深度圖模型的內在屬性。分析深度圖模型不同類型變數層的依賴關係、建立推理過程的自適應調節措施，提高數據推理預測的智慧型化，構建平衡數據預測時間、數據存取交換空間和推理預測質量的最佳化算法。開展基於深度圖模型的跳頻序列預測研究與仿真實驗，分析影響預測效果和訓練數據量的要素，研究數據缺失跳頻序列預測的有效方案。通過本項目的開展，建立深度機率圖模型的學習與智慧型推理理論基礎，為數據分析預測的實時性、智慧型性和有效性提供技術支持和套用範例。
結題摘要
本項目基於圖模型研究數據分析和預測，主要研究工作有：(1)數據預測與統計推斷研究：數據預測與統計推斷是機器智慧型化和智慧化的關鍵技術，項目組開展了數據預測與統計推斷理論研究和套用研究，並將理論研究成果套用於電力負荷預測模型，結果表明，所提模型在短期電力負荷預測中具有較好的性能和較低的不確定性。(2)數據降維與變數選擇研究：項目組研究了非線性模型變數選擇問題，利用信息度量來推導候選自變數與目標變數的確定性相關度，得出非線性模型變數選擇的信息度量統計量，提出了一種新穎的最大相關-最小共同冗餘準則，在數值模擬實驗中，進行大樣本和實際案例實驗，通過模型對比試驗，驗證了該模型的優越性和有效性。(3)數據分類理論與分類器研究：研究了離散馬爾可夫網路和貝葉斯網路誘導的概念類的VC維數和歐氏維數。我們證明了由離散馬爾科夫網路所誘導的概念類的兩個維數值相同。提出了一個模糊相對熵的概念來衡量兩個模糊集之間的差異，套用模糊相對熵，證明了高模糊性模式接近分類邊界的結論。(4)不平衡數據的分類問題研究：針對不平衡數據的分類問題，我們提出了一種基於模糊規則的過採樣技術；我們提出了一種基於模糊代表度差的過採樣技術，它利用了近鄰傳播算法和染色體遺傳理論。模糊代表度差作為一種新的不平衡度量，它關注的是樣本的質量，而不是樣本的數量。(5)數據聚類與多標籤數據分類研究：為了提高基於決策函式的分類質量，我們提出了一個新的特徵權重的方法，它把特徵屬性的正負類頻率比作為權重，此特徵權重來源於數據本身，能夠較好的適應於數據集的變化。項目組提出了基於多數類代價和少數類價值評估的多標籤不平衡數據的分類算法。我們將最大相關最小冗餘的特徵選擇算法與鏈分類器相結合，同時考慮了標記之間的相關性與冗餘性，以減少擴充的屬性個數，降低計算複雜度，得到一個結構簡單且分類性能良好的選擇性鏈分類器。
