基于數(shù)據(jù)增廣技術的非參數(shù)貝葉斯分類模型研究.pdf

1、在目標識別中，對于樣本數(shù)較多且分布復雜的數(shù)據(jù)，若將所有訓練樣本用來訓練一個單一的分類器，會增加分類器的訓練復雜度，且容易忽視樣本的內(nèi)在結構，不利于分類。此外，作為一種生成模型，因子分析僅僅關注觀測值而并未利用任何類別信息。為克服上述缺陷，本文充分利用了基于判別概率隱含模型的貝葉斯方法來進行參數(shù)估計，尤其是混合模型。
　　本文首先提出一種最大邊緣相似性保持因子分析(MMSPFA)模型，利用隱變量支持向量機(LVSVM)作為隱空間的分

2、類準則，并在最大邊緣的限制下學習得到一個判別子空間。為提高識別性能，MMSPFA將因子分析(FA)模型，相似性保持項(SP)以及最大邊緣分類器統(tǒng)一在貝葉斯框架聯(lián)合學習。
　　不僅如此，為處理多模分布數(shù)據(jù)，在狄利克雷混合模型(DPM)的基礎上，本文進一步將MMSPFA模型擴展到無限高斯混合模型，提出了狄利克雷混合最大邊緣相似性保持因子分析(DPM-MMSPFA)模型。如此以來，DPM-MMSPFA模型將貝葉斯模型捕獲隱含數(shù)據(jù)特征的優(yōu)