基于带约束最大间隔的贝叶斯分类器判别学习方法

Posted 2021-04-25 浙大学报英文版

内容介绍

摘要

稀疏自适应匹配追踪（sparsity adaptive matching pursuit，SAMP）是压缩感知信号的一种贪婪重构算法。SAMP可以在没有稀疏先验信息的情况下重构信号，与其他贪婪算法相比对噪声信号具有更好的重构性能。但SAMP在重建质量方面，特别是在高压缩比时，仍有不足。采用Wilkinson矩阵作为感测矩阵，以提高重建质量并增加SAMP技术的压缩比。将块压缩感知（block compressive sensing，BCS）思想与SAMP技术结合，以提高SAMP技术性能。通过大量试验对所提出BCS-SAMP技术进行评估，并将其结果与其他几种压缩传感技术结果作比较。结果表明，BCS-SAMP技术与传统SAMP技术相比，重建质量可提升6分贝（dB）。BCS-SAMP技术在重建质量方面与迭代技术相比大致接近，该技术计算时间小于迭代技术计算时间，这一优势在测量分数较低时更为明显。

关键词

判别学习；统计建模；贝叶斯分类器；高斯混合模型；UCI数据集

作者

郭轲，刘峡壁，郭伦昊，李宗杰，耿增民 单位 北京理工大学计算机学院，中国北京市，100081; 北京服装学院计算机信息中心，中国北京市，100029 引用格式 Ke Guo,  Xia-bi Liu,  Lun-hao Guo,  Zong-jie Li,  Zeng-min Geng , 2018. A new constrained maximum margin approach to discriminative learning of Bayesian classifiers. Frontiers of Information Technology & Electronic Engineering, 19(5):639-650. https://doi.org/10.1631/FITEE.1700007

精要导读

联系我们