贺建军
- 作品数：12 被引量：32H指数：4
- 供职机构：大连理工大学电子信息与电气工程学部更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金辽宁省自然科学基金更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 基于Logistic回归模型和凝聚函数的多示例学习算法被引量：2
- 2010年
- 鉴于很多实际问题都可以转化到多示例框架下求解,多示例学习越来越受到机器学习领域内学者们的关注.提出了一个基于Logistic回归模型的多示例学习算法.首先定义了一个新的似然函数来表示每个包的标签与其示例的隐含标签之间的关系,然后利用凝聚函数把该似然函数转化为一个光滑的凹函数,从而使问题可以用常用的无约束优化方法快速求解.在一些标准数据集和一个文本分类问题上的实验结果表明,所提算法要优于其他常用多示例学习算法.
- 贺建军王欣顾宏王哲龙
- 关键词：多示例学习LOGISTIC回归模型凝聚函数文本分类
- 一类具有混合时滞的神经网络指数稳定性分析
- 2014年
- 讨论了一类具有混合时滞(包含离散和分布时滞)的人工神经网络的指数稳定性问题.通过将时滞区间分为不等的两部分,并结合倒数凸方法,得到了系统指数稳定的新判据,判据以线性矩阵不等式的形式给出.最后用两个数值实例说明了所得结论的有效性与更小的保守性.
- 郭良栋庞豹何希勤贺建军
- 关键词：混合时滞线性矩阵不等式
- 一种新高斯过程分类算法被引量：8
- 2014年
- 由于需要利用高斯函数逼近潜变量函数的后验概率,传统高斯过程分类算法通常都存在计算复杂度高的问题.对此,提出一种新高斯过程分类算法.该算法的基本思想为:首先,利用Parzen窗方法估计出每个训练样本的后验概率;然后,通过所得到的后验概率将原始分类问题变换为回归问题;进而分析地得到潜变量函数后验概率的显式表达式,以避免逼近后验概率所面临的高计算复杂度问题.仿真实验结果表明,所提出的算法在分类精度上优于已有的高斯过程分类算法.
- 贺建军张俊星贾思齐刘文鹏许爽崔艳秋
- 关键词：后验概率贝叶斯方法
- 基于高斯过程模型的机器学习算法研究及应用
- 机器学习是信息科学领域的热点研究课题之一,在控制工程、机器视觉、信息安全、生物信息和医疗诊断等众多领域具有广泛应用。高斯过程模型是近几年发展起来的一种新的核机器学习方法,除传统核机器学习方法的优点外,它还具有易于实现、完...
- 贺建军
- 文献传递
- 基于拉普拉斯方法的大规模高斯过程分类算法被引量：1
- 2017年
- 基于KL散度的大规模变分高斯过程分类算法(KLSP)需要同时对诱导变量的均值向量和协方差矩阵进行优化,这会给模型求解带来一定的挑战.基于拉普拉斯方法建立一种改进算法:首先为诱导变量的后验分布构造一个易于计算的下界;然后利用拉普拉斯方法计算该下界的一个高斯逼近作为诱导变量的后验分布函数的近似表达式,将问题转换为一个只与均值向量有关的凸优化问题,从而降低了模型的求解难度.仿真实验结果表明,所提出的改进算法在速度和精度上都较原始算法有了明显提高.
- 马彪贺建军李厚杰
- 关键词：变分方法
- 基于变分高斯过程模型的快速核偏标记学习算法
- 2017年
- 偏标记学习(partial label learning)是人们最近提出的一种弱监督机器学习框架,由于放松了训练数据集的构造条件,只需知道训练样本的真实标记的一个候选集合就可进行学习,可以更方便地处理很多领域的实际问题.在该框架下,训练数据的标记信息不再具有单一性和明确性,这就使得学习算法的构建变得比传统分类问题更加困难,目前只建立了几种面向小规模训练数据的学习算法.先利用ECOC技术将原始偏标记训练集转换为若干标准二分类数据集,然后基于变分高斯过程模型在每个二分类数据集上构建一个具有较低计算复杂度的二分类算法,最终实现了一种面向大规模数据的快速核偏标记学习算法.仿真实验结果表明,所提算法在预测精度几乎相当的情况下,训练时间要远远少于已有的核偏标记学习算法,利用普通的PC机处理样本规模达到百万级的问题只需要40min.
- 周瑜贺建军顾宏
- 关键词：核方法大规模数据高斯过程
- 面向大规模类不平衡数据的变分高斯过程分类算法被引量：4
- 2016年
- 变分高斯过程分类器是最近提出的一种较有效的面向大规模数据的快速核分类算法,其在处理类不平衡问题时,对少数类样本的预测精度通常会较低.针对此问题,通过在似然函数中引入指数权重系数和构造包含相同数目正负类样本的诱导子集解决原始算法的分类面向少数类偏移的问题,建立了一种可以有效处理大规模类不平衡问题的改进变分高斯过程分类算法.在10个大规模UCI数据集上的实验结果表明,改进算法在类不平衡问题上的精度较原始算法得到大幅提高.
- 马彪周瑜贺建军
- 关键词：高斯过程
- 基于径向对称变换的自适应交通禁止标志检测被引量：5
- 2014年
- 提出一种基于径向对称变换的自适应交通禁止标志的检测算法。采用RGB归一化阈值分割算法对交通图像进行二值化处理,构造和利用区域轮廓特征矢量,判决和提取候选标志区域。对于标志互相遮挡候选区域,提出采用基于分水岭变换的自适应标志分离算法进行标志分离;然后,对于低维的标志候选区域,根据其自身尺度特征提出一种参数自适应的径向对称圆形检测器和检测算法,最终确定禁止标志。本文算法在标准交通标志数据集(GTSDB)进行了实验验证。实验结果表明,与现有方法相比,本文算法有效提高了算法执行效率和检测性能,降低了算法复杂度;并且,对交通标志尺度、亮度和天气变化、运动模糊以及标志互相遮挡等有着良好的鲁棒性。
- 李厚杰邱天爽宋海玉王培昌贺建军
- 一种基于最大值损失函数的快速偏标记学习算法被引量：2
- 2016年
- 在弱监督信息条件下进行学习已成为大数据时代机器学习领域的研究热点,偏标记学习是最近提出的一种重要的弱监督学习框架,主要解决在只知道训练样本的真实标记属于某个候选标记集合的情况下如何进行学习的问题,在很多领域都具有广泛应用.最大值损失函数可以很好地描述偏标记学习中的样本与候选标记间的关系,但是由于建立的模型通常是一个难以求解的非光滑函数,目前还没有建立基于该损失函数的偏标记学习算法.此外,已有的偏标记学习算法都只能处理样本规模比较小的问题,还没看到面向大数据的算法.针对以上2个问题,先利用凝聚函数逼近最大值损失函数中的max(·)将模型的目标函数转换为一个光滑的凹函数,然后利用随机拟牛顿法对其进行求解,最终实现了一种基于最大值损失函数的快速偏标记学习算法.仿真实验结果表明,此算法不仅要比基于均值损失函数的传统算法取得更好的分类精度,运行速度上也远远快于这些算法,处理样本规模达到百万级的问题只需要几分钟.
- 周瑜贺建军顾宏张俊星
- 关键词：凝聚函数
- 广义模糊时间序列模型模糊区间划分研究被引量：2
- 2013年
- 在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.
- 邱望仁刘晓东贺建军
