邱天宇
- 作品数：4 被引量：30H指数：2
- 供职机构：南京大学计算机科学与技术系更多>>
- 发文基金：江苏省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于增量高斯混合模型的在线密度估计研究
- 密度估计是统计推断中的经典问题，一组数据背后的概率密度函数反映了其在特征空间上的分布情况，能够为数据驱动的决策过程提供非常重要的信息。在聚类、异常检测以及可视化领域中，密度估计算法有着非常广泛的应用。 随着移动互联网、...
- 邱天宇
- 关键词：高斯混合模型
- 一种自适应在线核密度估计方法被引量：2
- 2020年
- 给定一组观察数据,估计其潜在的概率密度函数是统计学中的一项基本任务,被称为密度估计问题.随着数据收集技术的发展,出现了大量的实时流式数据,其特点是数据量大,数据产生速度快,并且数据的潜在分布也可能随着时间而发生变化,对这类数据分布的估计也成为亟待解决的问题.然而,在传统的密度估计算法中,参数式算法因为有较强的模型假设导致其表达能力有限,非参数式算法虽然具有更好的表达能力,但其计算复杂度通常很高.因此,它们都无法很好地应用于这种流式数据的场景.通过分析基于竞争学习的学习过程,提出了一种在线密度估计算法来完成流式数据上的密度估计任务,并且分析了其与高斯混合模型之间的密切联系.最后,将所提算法与现有的密度估计算法进行对比实验.实验结果表明,与现有的在线密度估计算法相比,所提算法能够取得更好的估计结果,并且能够基本上达到当前最好的离线密度估计算法的估计性能.
- 邓齐林邱天宇申富饶赵金熙
- 关键词：密度估计高斯混合模型数据流
- 自组织增量学习神经网络综述被引量：28
- 2016年
- 自组织增量学习神经网络SOINN(self-organizing incremental neural network)是一种基于竞争学习的两层神经网络,用于在没有先验知识的情况下对动态输入数据进行在线聚类和拓扑表示,同时,对噪音数据具有较强的鲁棒性.SOINN的增量性,使得它能够发现数据流中出现的新模式并进行学习,同时不影响之前学习的结果.因此,SOINN能够作为一种通用的学习算法应用于各类非监督学习问题中.对SOINN的模型和算法进行相应的调整,可以使其适用于监督学习、联想记忆、基于模式的推理、流形学习等多种学习场景中.SOINN已经在许多领域得到了应用,包括机器人智能、计算机视觉、专家系统、异常检测等.
- 邱天宇申富饶赵金熙
- 关键词：神经网络自组织
- 针对传感器采集数据的局部增量式的概率密度估计方法
- 一种针对传感器采集数据的局部增量式的概率密度估计方法，也是一种在线式的方法，每次迭代只需要传感器采集来的单个数据样本，最终得到一个高斯混合模型。当传感器采集来的新数据到来时，根据其与当前模型的关系来确定是否要增加高斯成分...
- 申富饶高云亮邱天宇赵金熙
- 文献传递
