混合密度网络
来源:互联网 发布:琴太脸型数据 编辑:程序博客网 时间:2024/05/23 19:14
原文地址:http://blog.csdn.net/qq_35160701/article/details/51597295
5.6 混合密度网络
之前的建模中都把条件概率分布选为高斯分布,但在实际的机器学习中,经常会遇到与⾼斯分布差别相当⼤的概率分布。例如,在逆问题( inverse problem )中,概率分布可以是多峰的,这种情况下,⾼斯分布的假设就会产⽣相当差的预测结果。
作为逆问题的⼀个简单的例⼦,考虑机械臂的运动学问题,如图所⽰。正向问题( forward problem )是在给定连接角的情况下求解机械臂末端的位置,这个问题有唯⼀解。然⽽,若想把机械臂末端移动到⼀个具体的位置,我们必须设定合适的连接角。于是,我们需要求解逆问题,它有两个解。
因此需要一个对条件概率密度建模的⼀般的框架。可以这样做:为
这⾥,我们显式地令模型的分量为高斯分布,即:
这是异方差模型( heteroscedastic model )的⼀个例⼦,因为数据中的噪声方差是输⼊向量
我们已经把情况具体到了各向同性的协方差的情形(即
下图所示的神经⽹络可以是⼀个两层的网络,网络具有 S 形(双曲正切)隐含单元。如果混合模型中有
混合系数必须满⾜下⾯的限制:
可以通过使⽤⼀组 softmax 输出来实现:
类似地,⽅差必须满⾜
最后,由于均值
混合密度⽹络的可调节参数由权向量和偏置组成。这些参数可以通过最⼤似然法确定,或等价地使⽤最⼩化误差函数(负对数似然函数)的⽅法确定。误差函数为:
为了最⼩化误差函数,我们需要计算误差函数
由于我们处理的是混合概率分布,因此⽐较⽅便的做法是把混合系数
其中
关于控制混合系数的⽹络输出激活的导数为:
类似地,关于控制分量均值的⽹络输出激活的导数为:
最后,关于控制分量⽅差的⽹络激活函数为:
0 0
- 5.6 混合密度网络
- 混合密度网络
- 混合密度网络(Mixture Density Networks)原理及应用汇总
- MDN混合密度神经网络
- MDN混合密度神经网络
- 高斯混合概率假设密度滤波器 matlab代码实现
- 沟谷网络提取及沟壑密度计算
- 《基于密度峰值的混合型数据聚类算法设计》-聚类效果彩色图
- UVALive 7037 (最大密度子图 网络流)
- poj3155(网络流最大密度子图模型)
- 【POJ3155】【网络流】【最大密度子图】Hard Life 题解
- Mesh+交换机混合拓扑实验网络配置
- HDU 3472 混合图欧拉回路 + 网络流
- 核密度估计、混合模型,潜变量和EM算法(mixture model,latent variable and EM algorithm)
- 基于R的聚类模型(混合模型-基于概率密度分布的聚类方法)
- 混合
- 混合
- 混合
- caffe的相关链接记录
- JSP过滤器导图详解
- 关于商商城商品表设计(二)
- Wolfram 指令合集
- 汇编语言笔记17-使用BIOS进行键盘输入和磁盘读写
- 混合密度网络
- tjut 3473
- OSGi技术在Java Web开发中的应用
- VS2012发布网站详细步骤
- Qt 正则表达式 用QRegularExpression代替QRegExp
- ShareSDK常见问题汇总(iOS版)
- 使用wifi网卡笔记4---工具dhcp及全自动使用wifi
- Maven中的库(repository)详解
- 文件下载的两种方式