申请/专利权人：东南大学

申请日：2021-04-15

公开（公告）日：2024-03-12

公开（公告）号：CN113111313B

主分类号：G06F17/18

分类号：G06F17/18;G06F18/2321;G06F18/2415

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.07.30#实质审查的生效;2021.07.13#公开

摘要：本发明公开了一种基于期望传播的多任务稀疏重构和聚类方法，1通过引入“spikeandslab”和“DirichletProcess”先验概率分布，构造一种具有多任务稀疏结构聚类的贝叶斯生成模型；2使用期望传播技术，将上述模型参数后验分布求解问题转换所选指数类分布的参数优化问题；3初始模型近似概率分布，4对每个q1j、q2j、q3j，分别计算其cavity分布，以更新对应参数，模型参数收敛至最优值时停止，本发明可以显著降低信号重构误差，具有更强的抗噪声能力，并能基于信号的稀疏结构特性对任务进行自主聚类，且无需事先设置类别数。

主权项：1.一种基于期望传播的多任务稀疏重构和聚类方法，其特征在于，包括以下步骤：步骤1，引入“spikeandslab”和DirichletProcess先验概率分布，构造具有多任务稀疏结构聚类的贝叶斯生成模型：yi＝Dxi+εi fi～Discreteβ1，β2，...，βL υh～Beta1，λ 其中，yi表示P维观测向量，D为P×K维观测矩阵，xi为K维向量，且P＜＜K，εi表示K维观测噪声，N·为高斯分布，δ·为狄拉克函数，该函数在原点处有一冲激，其余地方均为0，zi是服从Bernoulli分布的二元变量，下标i表示第i个任务，zij表示向量zi的第j个元素，xij表示向量xi的第j个元素，参数πi为Bernoulli分布参数，在参数πi上引入Dirichlet过程并使用stickingbreaking构造形式构造，其中，υh表示第h次从原来长度为1的绳子剩余部分截取的长度，βl表示任务属于第l类的先验概率，下标l表示第l类，λ表示υh服从的Beta分布的超参数，a和b表示πl服从的Beta分布的超参数，G0表示Dirichlet过程的基础分布；步骤2，使用期望传播方法将步骤1得到的具有多任务稀疏结构聚类的贝叶斯生成模型的参数后验分布求解问题转换所选指数类分布的参数优化问题；步骤2中使用期望传播方法将步骤1得到的具有多任务稀疏结构聚类的贝叶斯生成模型的参数后验分布求解问题转换所选指数类分布的参数优化问题的方法：步骤2.1，关于模型参数后验概率分布满足如下关系: 其中，r＝{σ0，τ0，a，b，λ，L}表示模型已知的超参数，{yi}i＝1，2...M表示需要重构的M个信号，H＝{{xi}i＝1，2...M，{zi}i＝1，2...M，{πl}i＝1，2...L，{υl}l＝1，2...L}为需要求解其后验分布的模型参数，Y表示{yi}i＝1，2...M，pH|Y,τ表示模型真实的后验分布,L表示所设定的Dirichlet过程截断数目，即多任务聚类的先验类别总数；根据贝叶斯准则，求得隐变量H的后验分布为: 其中,Z为边缘概率分布pY，步骤2.2，将式1分解为3项： 步骤2.3，从属于指数类概率分布中选择互相共轭的分布，以确定近似分布的形式，其具体表达式如下：q1xi＝Nxi|mi1,∑i1 其中，q1xi表示f1xi的近似分布，∑i1表示q1xi的协方差矩阵，mi1表示q1xi的均值向量，q2xi,zi表示f2xi，zi的近似分布，∑i2表示q2xi,zi中高斯分布协方差矩阵，mi2表示q2xi，zi中高斯分布的均值向量，μi1j表示q2xi，zi中Bernoulli分布的参数，q3zi，fi,vl,πl表示f3zi，fi，υl，πl的近似分布，μi2j表示q3zi，fi，υl，πl中Bernoulli分布的参数，cil和dil表示q3zi，fi，υl，πl中υl服从的Beta分布参数，ail和bil表示q3zi，fi，υl，πl中πlj服从的Beta分布参数，wil表示q3zi，fi，υl，πl中fi服从的离散分布参数；步骤3，初始模型近似概率分布，qa，a＝1，2，3和Q，qa表示第a个近似分布，下标a表示第a个近似分布，步骤4，对每个q1j，计算其cavity分布最小化KLq1jQ\1j||Qneww.r.t.Qnew,计算以更新参数mi1j，∑i1j，其中，Qnew表示更新后的总近似分布，即Q；步骤5，对每个q2j，计算其cavity分布最小化KLq2jQ\2j||Qneww.r.t.Qnew,计算以更新参数mi2j，∑i2j，μi1j；步骤6，对每个q3j，计算其cavity分布最小化KLq3jQ\3j||Qneww.r.t.Qnew,计算以更新参数ailj，bilj，cil，dil，μi2j，wil；步骤7，更新联合近似参数mi，∑i，μij，alj，blj，cl，dl，wi； 步骤8，收敛条件为满足时候，重复步骤，4-7，否则，停止重复，模型参数收敛至最优值；步骤9对应mi即重构出的信号，wi即为该信号的类别的后验分布概率。

全文数据：

权利要求：

百度查询： 东南大学 一种基于期望传播的多任务稀疏重构和聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD