Online nonlinear modeling for big data applications

Birkaç gerçek yaşam, uyarlamalı sinyal için çevrimiçi doğrusal olmayan öğrenmeyi araştırırız büyük veriler içeren işleme ve makine öğrenme uygulamaları ve hem etkin hem de etkili algoritmalar. Için yeni çözümler sunuyoruz yüksek hızda üretilen ve / veya büyük boyutlu olan verilerin öğrenilmesi, durağan olmayan bir çevrede yaşıyor ve anında işlenmesi gerekiyor. Özellikle olumsuz gerçek yaşam koşullarından kaynaklanan sorunları büyük bir veri açısından incelemeye odaklanıyoruz. Verilerdeki durgunluk ve bozulmalara karşı sağlam olan çevrimiçi algoritmalar önermekteyiz. Önerilen algoritmaların, yüksek boyutluluk, zamana bağlı istatistikler, veri yapıları ve ani değişiklikler içeren karmaşıklıklara bakılmaksızın, birkaç gerçek hayat uygulaması için evrensel olarak uygulanabileceğini vurguluyoruz. Bu amaçla, verilerin zamanla değişen bir manifold üzerinde bulunduğu yüksek boyutlu bir ortamda çevrimiçi doğrusal olmayan öğrenme için oldukça sağlam hiyerarşik ağaçlar algoritması sunmaktayız. Altta yatan manifoldun altuzayını izleyerek boyutsallık lanetinden kaçarız ve doğrusal olmayan sistemin modellenmesi için modifiye regressor vektörleri olarak alttaki manifold üzerine orijinal yüksek boyutlu regressor uzayının projeksiyonlarını kullanırız. Önerilen algoritmayı kullanarak, hesaplama karmaşıklığını ağacın derinlik sırasına ve bellek gereksinimini yalnızca manifoldun öz boyutunda doğrusal olana indirgiyoruz. Simülasyona giren ve gerçek veriler aracılığıyla diğer teknolojik teknikler üzerindeki ortalama karesel hata açısından önemli performans artışı sergiliyoruz. Ardından, çevrimiçi zorunlu öğrenme modellemesinin, ağ saldırıları tespiti, müşterilerin çarpma analizi ve sualtı akustik iletişimi için kanal tahmini gibi gerçek yaşam uygulamalarını ele alacağız. Son teknoloji tekniklerle karşılaştırıldığında, algılama hassasiyeti açısından önemli performans sağlayan sıralı ve çevrimiçi öğrenme yöntemleri önermekteyiz. Sağlam öğrenme algoritmalarını geliştirmek için yapılandırılmış ve derin öğrenme yöntemlerini özellikle tanıtmaktayız. Ayrıca önerilen çevrimiçi nonlineer öğrenme modellerimizin performansını, uzmanların karışımı yöntemleri ve güçlendirme kavramı ile geliştiriyoruz. Önerilen algoritmalar, gerçek yaşam koşullarında önemli ölçüde azaltılmış hesaplama karmaşıklığı ve depolama gereksinimi ile en son teknoloji yöntemler üzerinde önemli bir performans kazancı elde etmektedir.