概率圖模型學習理論及其應用

內(nèi)容概要

《概率圖模型學習理論及其應用》是系統(tǒng)論述概率圖模型的基本理論、學習算法及其應用的中文專著，內(nèi)容包括概率圖模型基本概念；完整數(shù)據(jù)集的概率圖模型的學習理論；不完整數(shù)據(jù)集的概率圖模型學習理論；無向概率圖模型學習；新型學習方法；概率圖模型在計算機視覺、個人信用風險評估及語言識別領(lǐng)域中的應用等部分?！陡怕蕡D模型學習理論及其應用》從實例出發(fā)，由淺入深，直觀與嚴謹相結(jié)合，并提供了詳盡的參考文獻。

作者簡介

趙悅，1997年本科畢業(yè)于東北大學工業(yè)電氣自動化專業(yè)，2006年在北京科技大學控制理論與控制工程專業(yè)取得工學博士學位，同年進入中央民族大學數(shù)學與計算機學院任教。2009年—2010年美國Rensselaer Polytechnic Institute訪問學者，現(xiàn)為中央民族大學信息工程學院副教授，碩士生導師。IEEE會員，國際期刊IEEE Transactions on Systems，Man，and Cyberneacs—Part B：Cybernetics和《北京科技大學學報》審稿人，ICAL 2010 Session Chair。主要研究方向為機器學習與數(shù)據(jù)挖掘、語音識別、嵌入式系統(tǒng)。主持和參與科研項目10項；專著2部、教材2部；發(fā)表SCI、EI檢索論文33篇，獲中央民族大學校級教學成果三等獎一次；獲北京市高等教育學會2012年度計算機教學精彩片段交流三等獎一次。

書籍目錄

第1章概率圖模型基礎知識 1.1概述 1.2 圖論的相關(guān)基本概念 1.3概率論的相關(guān)基本概念 1.3.1 隨機變量與概率函數(shù) 1.3.2古典概率與主觀概率 1.3.3聯(lián)合概率分布 1.3.4邊緣概率分布 1.3.5條件概率分布 1.3.6邊緣獨立與條件獨立 1.3.7 貝葉斯定理 1.4信息論的相關(guān)基本概念 1.4.1 Jensen不等式  1.4.2 熵 1.4.3聯(lián)合熵、條件熵和互信息 1.4.4相對熵 1.5 生成模型與判別模型 第2章概率圖模型的基本原理 2.1概述 2.2有向概率圖模型  2.2.1 隱馬爾可夫模型 2.2.2 貝葉斯網(wǎng)絡 2.2.3 動態(tài)貝葉斯網(wǎng)絡 2.3無向概率圖模型 2.3.1 馬爾可夫隨機場 2.3.2條件隨機場 2.4概率圖模型學習與推理 2.4.1 模型的學習 2.4.2模型的推理 2.4.3計算復雜度分析 第3章完整數(shù)據(jù)集下有向概率圖模型的學習 3.1 概述 3.2 結(jié)構(gòu)學習 3.2.1基于評分搜索的結(jié)構(gòu)學習 3.2.2基于條件獨立性測試的結(jié)構(gòu)學習算法 3.3 參數(shù)學習 3.3.1極大似然參數(shù)估計 3.3.2貝葉斯參數(shù)估計 第4章不完整數(shù)據(jù)集下的有向概率圖模型的學習 4.1概述 4.2參數(shù)估計 4.2.1 EM算法 4.2.2 Gibbs抽樣方法 4.3 結(jié)構(gòu)學習 4.3.1 結(jié)構(gòu)EM方法 4.3.2打分一搜索方法 第5章無向概率圖模型學習 5.1概述 5.2馬爾可夫隨機場 5.2.1鄰域系統(tǒng)和團 5.2.2 HC定理 5.2.3 Pairwise MRF模型  5.2.4 MRFs的參數(shù)學習 5.3條件隨機場 5.3.1 問題分析 5.3.2模型訓練中的動態(tài)規(guī)劃 5.3.3參數(shù)估計的訓練算法 5.3.4參數(shù)估計的訓練過程 第6章概率圖模型的新型學習方法 6.1概述 6.2 主動學習方法 6.2.1主動學習原理 6.2.2 基于主動學習的貝葉斯網(wǎng)絡分類器學習算法 6.2.3 基于半監(jiān)督主動學習的動態(tài)貝葉斯網(wǎng)絡學習方法 6.2.4 基于主動學習的貝葉斯網(wǎng)絡結(jié)構(gòu)學習 6.3 增量學習 6.3.1基本原理 6.3.2 貝葉斯網(wǎng)絡參數(shù)的增量學習方法 6.3.3 貝葉斯網(wǎng)絡結(jié)構(gòu)的增量學習方法 第7章概率圖模型理論在計算機視覺中的應用 7.1基于概率圖模型的圖像分割  7.2基于概率圖模型的檢測和識別 7.3基于概率圖模型的目標跟蹤  7.4基于概率圖模型的行為建模和識別 第8章貝葉斯網(wǎng)絡在電信個人信用風險分析中的應用 8.1 電信客戶信用風險評估概述 8.2 基于主動貝葉斯網(wǎng)絡的電信客戶信用風險評估模型 8.2.1指標集確定 8.2.2基于投票熵和類條件后驗最大熵的主動貝葉斯網(wǎng)絡建立客戶信用度評分模型 8.2.3基于投票熵和最小相對熵的主動貝葉斯網(wǎng)絡建立客戶信用等級評估模型 8.3基于半監(jiān)督主動學習的DBNs建立電信客戶信用風險行為演化模型 8.3.1 問題背景 8.3.2 基于ERS和EM的DBNs學習算法建立客戶信用風險行為演化模型 8.3.3 基于QBC和EM的DBNs學習算法建立客戶信用風險行為演化模型 第9章概率圖模型理論在語音識別中的應用 9.1語音識別基本原理 9.2 基于隱馬爾可夫模型的孤立詞語音識別 9.2.1基于HMM的語音識別框架 9.2.2 HMM訓練 9.2.3 HMM識別 9.2.4實驗結(jié)果分析 9.3基于深度動態(tài)貝葉斯網(wǎng)絡無監(jiān)督語音特征學習和語音識別模型建立 9.3.1概述 9.3.2深度動態(tài)貝葉斯網(wǎng)絡 9.3.3 DDBN拓撲結(jié)構(gòu)的學習和視聽語音識別學習算法  9.3.4實驗與結(jié)果分析 附錄A概率圖模型常用開發(fā)工具 附錄B貝葉斯網(wǎng)工具箱BNT的研究與學習 參考文獻

章節(jié)摘錄

版權(quán)頁：   插圖：   使用MRF模型，目標檢測和識別可看作是一類圖像標注問題。DasGupta等提出了基于MRF模型從模糊不清的圖像中同時復原和識別目標物體的方法。他們引入了部分消息傳遞（Partial Message Propagation）的概念，任何給定的圖像分塊（Patch）只部分受近鄰影響，并且依賴于兩個近鄰間的空間交互關(guān)系。識別過程發(fā)生在不斷循環(huán)的復原階段，復原階段幫助其減少搜索空間?；贛RF的識別技術(shù)在給定手工初始化時，取得了相當好的結(jié)果。然而，由于缺乏清楚的形狀模型，這些方法在自動目標識別和圖像分割應用中往往會失敗。Kumar等在他們的ObjCut工作中，提出了一個用于目標檢測的貝葉斯方法，這個方法使用圖示結(jié)構(gòu)表達（Pictorial Structures（PS）Formulation）和MRFs模型一起提供物體形狀的先驗知識。形狀模型（Shape Model）提供了一套潛在的變量，這些變量將傾向于某種物體形狀的分割。對于表情識別和動作識別，Zhang和Tong等提出了使用DBN模型捕捉在人臉表情（動作）與圖像觀測值之間的（Spatio—temporal）空間—時間關(guān)系。雖然形狀先驗知識能夠幫助減少分割錯誤，但是當物體偏離標準形狀模型時，形狀模型也引入了分割誤差。 為了識別可變形的目標物體，生成式星座圖模型（Generative Constellation Models）被引入到形狀的建模過程中。這個模型首先由Burl等提出，在這個模型內(nèi)，目標物體由在可變形的結(jié)構(gòu)（Deformable Configuration）中的特征部分所表示。相似的，Weber等提出了將一個目標類（Object Class）表示為一類由剛性部分群組成的可變星座圖模型（aFlexible Constellation of Rigid Parts），其中目標類被定義為具有相同特征屬性部分群（Parts）的集合或相似且在相似空間結(jié)構(gòu)存在的部分群集合。星座圖（Constellation）模型有幾個優(yōu)點：模型清楚地表示了形狀的變化和由于Occlusion和檢測器誤差而引起的屬性存在與否的隨機性。這個模型被Fergus等擴展到表示外觀的變化，他們擴展了，利用該模型從有大量形狀變化的目標物體訓練數(shù)據(jù)集中進行有效學習。Li提出了一個增量學習貝葉斯網(wǎng)絡的方法，其從101個變形目標物體類別中學習可視目標，每一類使用了少量的圖像訓練數(shù)據(jù)。Loeff等對于目標檢測和定位提出了一個生成式概率模型，其可以用最小監(jiān)督方法被建立起來。他們的臨時星座圖模型（Improvised Constellation Model）能夠處理Occlusion和在屬性特征抽取中的誤差問題，并且使得模型以圖像中的部分群數(shù)量和屬性數(shù)量級進行線性推理。 除了生成式模型，判別PGM模型也已經(jīng)被廣泛應用在目標檢測和識別中。對于在圖像中檢測人造結(jié)構(gòu)的問題，判別隨機場（Discriminative Random Fields，DRFs）被用來建立類別變量之間高層次上下文關(guān)系。關(guān)聯(lián)A（Xi，y）和交互勢能（In）被引入進來，表示近鄰區(qū)域的觀測和交互。在DRFs框架中，A（Xi，y）用Logistic Regression判別模型建立，而Iij作為代價函數(shù)用來懲罰每一對相異的類別。這種交互形式有益于對離散的觀測數(shù)據(jù)進行類別平滑分段。然而，由于DRFs中交互勢函數(shù)的額外計算量，使得其比MRF計算更為復雜。

編輯推薦

《概率圖模型學習理論及其應用》的讀者對象是相關(guān)專業(yè)的高年級本科生、研究生和科研人員。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    概率圖模型學習理論及其應用 PDF格式下載

---