主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第11期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
邓齐林,邱天宇,申富饶,赵金熙.一种自适应在线核密度估计方法.软件学报,0,(0):0
一种自适应在线核密度估计方法
Adaptive Online Kernel Density Estimation Method
投稿时间:2017-03-03  修订日期:2018-04-02
DOI:10.13328/j.cnki.jos.005674
中文关键词:  密度估计  高斯混合模型  数据流  在线学习  竞争学习
英文关键词:Density Estimation  Gaussian Mixture Model  Data Stream  Online Learning  Competitive Learning
基金项目:国家自然科学基金(61876076);江苏省自然科学基金(BK20141319)
作者单位E-mail
邓齐林 计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023
南京大学 计算机科学与技术系, 江苏 南京 210023 
 
邱天宇 计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023
南京大学 计算机科学与技术系, 江苏 南京 210023 
 
申富饶 计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023
南京大学 计算机科学与技术系, 江苏 南京 210023 
frshen@nju.edu.cn 
赵金熙 计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023
南京大学 计算机科学与技术系, 江苏 南京 210023 
 
摘要点击次数: 270
全文下载次数: 238
中文摘要:
      给定一组观察数据,估计其潜在的概率密度函数是统计学中的一项基本任务,被称为密度估计问题.随着数据收集技术的发展,出现了大量的实时流式数据,其特点是数据量大,数据产生速度快,并且数据的潜在分布也可能随着时间而发生变化,对这类数据分布的估计也成为了亟待解决的问题.然而,在传统的密度估计算法中,参数式算法因为有较强的模型假设导致其表达能力有限,非参数式算法虽然具有更好的表达能力,但是其计算复杂度通常很高.因此,它们都无法很好地应用于这种流式数据的场景.本文通过分析基于竞争学习的学习过程,提出了一种在线密度估计算法来完成流式数据上的密度估计任务,并且分析了其与高斯混合模型之间的密切联系.最后,我们将提出的算法与现有的密度估计算法进行了对比实验.实验结果显示,与现有的在线密度估计算法相比,我们的算法能够取得更好的估计结果,并且能够基本达到当前最好离线密度估计算法的估计性能.
英文摘要:
      Based on observed data, density estimation is the construction of an estimate of an unobservable underlying probability density function. With the development of data collection technology, real-time streaming data becomes the main subject of many related tasks. It has the properties of high throughput, high generation speed and the underlying distribution of data may change over time. However, for the traditional density estimation algorithms, parametric methods make unrealistic assumptions on the estimated density function while non-parametric ones suffer from the unacceptable time and space complexity. Therefore, neither parametric nor non-parametric ones could scale well to meet the requirements of streaming data environment. In this article, based on the analysis of the learning strategy in competitive learning, we propose a novel online density estimation algorithm to accomplish the task of density estimation for such streaming data. And we also point out that it has pretty close relationship with the Gaussian Mixture Model. Finally, we compare the proposed algorithm with the existing density estimation algorithms. The experimental results show that our algorithm could obtain better estimates compared with the existing online algorithm, and also get comparable estimation performance compared with state-of-the-art offline density estimation algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利