k阶Erlang分布参数单变点的贝叶斯估计

利用贝叶斯方法研究了k阶Erlang分布参数单变点模型,得到该分布的似然函数.利用Fisher信息矩阵选取无信息先验分布,从而得到每个参数的满条件分布.使用Gibbs抽样与M-H算法相结合的MCMC方法对各参数进行随机模拟得到贝叶斯估计.模拟结果表明,各参数的估计值的精度在较高水平上都是有效的.     

非高斯噪声参数估计的马氏链蒙特卡罗法

基于马氏链蒙特卡罗法(MCMC), 提出一种快速收敛特性的A类噪声模型参数贝叶斯估计算法。区别于传统的参数估计算法,它不仅可以估计脉冲指数A、高斯脉冲功率比 、噪声平均功率 ,还可以估计信道隐含状态。尽管该算法运算量大,但优点是所需样本少、能实现整体优化及并行处理。计算机仿真验证了该方法的有效性。     

Curvelet变换域自适应收缩图像去噪

研究了Curvelet变换域非参数贝叶斯估计图像去噪问题。利用先验概率模型－正态反高斯(NIG)分布对图像Curvelet系数的稀疏分布进行统计建模,并在此基础上设计出基于NIG的最大后验概率(MAP)估计器。通过估计Curvelet子带系数分布的参数,实现基于MAP的子带自适应收缩图像去噪,最后通过仿真验证了去噪算法的性能。结果表明,该方法能有效地去除图像中的噪声,同时较好地保留了图像的纹理和边缘等细节。     

基于RJMCMC的泊松分布参数多变点检测

首先建立泊松分布参数多变点模型,给出该分布参数多变点的似然函数,探究变点位置参数和分布参数的满条件后验分布。利用可逆跳跃马尔科夫链蒙特卡洛(RJMCMC)算法确定该模型中变点的个数,在变点个数确定的基础上,进一步利用马尔科夫链蒙特卡洛(MCMC)方法中的Gibbs抽样和Metropolis-Hastings算法对参数满条件后验分布进行抽样,利用抽样均值和最大后验法对变点位置参数和分布参数进行估计。仿真结果和美国矿难实例均表明,结合RJMCMC算法和普通MCMC方法对泊松分布序列的变点检测很有效。     

基于分解的自适应差分进化识别光伏模型参数

为了快速、准确和可靠地识别不同环境条件下光伏模型参数,提出了一种基于分解的改进自适应差分进化（improved adaptive differential evolution with decomposition,IADE-D）算法。在IADE-D中,首先提出了一种未知参数分解技术来降低问题的维度,减少问题的复杂性。然后提出一种改进自适应差分进化算法用于求解分解后的未知参数。为了验证所提算法的有效性,将其用于一种基于单二极管的光伏面板模型参数识别。仿真结果表明,与现有先进算法相比,IADE-D算法在准确性和可靠性上更具有竞争力。因此,可以考虑将IADE-D作为一种有效的光伏模型参数识别方法。     

左截断右删失数据下Pareto分布形状参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下Pareto分布相对简单的似然函数,给出了形状参数变点位置和其他参数的满条件分布.利用MCMC方法对参数的满条件分布进行了抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明各参数贝叶斯估计的精度都较高.     

基于MAP算法的无教师讲者自适应的研究

提出了一种基于MAP算法的连续语音识别无教师讲者自适应方法,给出了简单有效的渐进自适应公式.通过识别实验结果表明,提出的方法能利用少量的自适应数据达到满意的学习效果,是一种实用和有效的讲者自适应方法.     

UGES反向传导算法:一种新的小样本深度机器学习模型

针对传统深度学习算法在样本不足时易出现过拟合的问题,提出了一类新的小样本深度学习模型:UGES反向传导模型。其基本思路是:在保留深层结构的同时,压缩需要学习参数的数量。作为一种与误差反向传导算法相容的间接编码模型,该算法对权值的随机分布特性进行重新编码,打破了不同隐含层之间的隔阂,并使用变分贝叶斯学习对网络进行全局训练。新模型的参数数目不再与输入变量维数及网络结构大小相关,同时强迫权值对于一定程度的扰动具有鲁棒性。最后,将所提出的算法用于外包软件项目风险识别这一典型的多维小样本问题中。对比实验表明,该模型达到了93.3%的样本外准确率,不仅保留了深度模型非线性表达能力,亦具备了小样本下优秀的泛化能力。     

晶圆缺陷数据的建模与仿真

以晶圆缺陷数据为例,提出针对空间离散数据的层级IGMRF模型。为了研究晶圆数据的空间分布和空间结构对空间信息的影响,建立了一阶IGMRF模型和二阶IGMRF模型,同时引入了3种空间距离。利用贝叶斯推断结合层级模型中参数的先验分布推导模型参数的后验分布。通过MCMC算法循环迭代生成目标参数的后验分布值。借助DIC指标,说明层级IGMRF模型能够很好的模拟晶圆缺陷数据的分布特征。而且针对晶圆缺陷数据分布的稀疏程度,可以调整模型从而得到更好的拟合效果。     

控制Lyapunov函数在自适应控制中的应用

研究了一类带有未知参数的非线性系统的自适应稳定问题,利用控制Lyapunov函数方法设计出一种自适应控制器.该控制器对系统的参数和状态的不确定性具有鲁棒性,并且能保证系统自适应稳定.     

一个新混沌系统的自适应同步

利用自适应控制的方法,给出了一个新混沌系统的同步控制器和参数自适应律,使两个恒等系统达到了自适应同步同时识别未知参数.该控制器设计简单,易于实现,数值仿真表明所提方法具有效性.     

基于高斯相似度分析的最大后验非线性变换HMM自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降,为此提出了基于高斯相似度分析的最大后验概率非线性变换的环境自适应算法,它可以减小由于环境的失配所引起的系统性能的下降.在该算法中,首先将HMM模型中的高斯分量进行相似度分析并建立二叉树,然后根据数据自适应调整变换类数,在每一类内利用分段线性回归近似非线性变换将训练环境下的HMM变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP).数字语音识别实验证明:该环境自适应算法的识别性能优于带有高斯相似度分析的MLST、MAPLR和MLLR等算法.     

一种改进的朴素贝叶斯不平衡数据集分类算法

当训练集中各个类别的样本分布不均匀且存在数据稀疏问题时,朴素贝叶斯算法分类不够准确。针对此问题,提出了一种基于数据平滑与加权补集的朴素贝叶斯文本分类算法,该算法引入数据平滑算法计算贝叶斯模型中缺失特征的补偿概率,克服数据稀疏问题;利用当前类别补集的特征来表示当前类别的特征,解决训练集中各个类别的样本分布不均匀时,分类器容易倾向于大类别而忽略小类别的问题。实验结果表明,在样本集分布不均衡时,该算法比传统的朴素贝叶斯分类算法分类效果更好。     

一种基于Chirplet分解的时频分析快速算法

针对信号自适应chirplet分解未知参数多、实现起来比较困难的特点,提出了一种新的chirplet分解快速算法．该算法利用计算信号的二次相位函数,得到其能量分布集中于信号的调频率曲线上的结论,此时通过谱峰检测可同时获得chirplet调频率、时间中心和幅度的估计;然后通过解线性调频技术获得其初始频率和宽度的估计．仿真结果验证了本文算法的有效性．     

多任务自适应网络的非负参数向量辨识研究

多任务自适应网络是指网络中节点辨识的参数向量不完全相同的自适应网络。在一些物理现象中,网络中的参数向量可能会受到非负性条件约束。然而,现有的多任务扩散式LMS算法只适用于辨识无约束的参数向量。为了解决这一问题,选用每个节点的误差信号的三次方的绝对值作为代价函数,并利用KKT条件和随机梯度下降法,推导出一种多任务非负三次方绝对值算法(MD-NNLMAT)。仿真结果表明,在相同的稳态失调下,该算法比多任务非负最小均方算法(MD-NNLMS)有更快的收敛速度。     

利用朴素贝叶斯模型进行多层网络链接预测

针对多层网络链接预测中层间信息融合的问题,提出了一种利用朴素贝叶斯模型的链接预测方法。该方法结合目标层的邻域信息和辅助层相对于目标层的全局信息进行链接预测。在目标层中,根据节点对的邻域信息,利用朴素贝叶斯模型计算其连接概率;在辅助层中,计算节点对在该层有边或无边时在目标层存在链接的概率。在真实数据和合成数据上的实验结果表明：该算法在正相关和负相关的多层网络中都有很好的预测性能。     

表面波和Retinex结合的水声图像增强方法

水下复杂信道环境以及各种干扰的存在使得声呐图像分辨率偏低,边缘细节不便于识别处理,传统增强算法大多直接进行增强处理而较少考虑去噪过程. 针对这一问题,该文分析了表面波分解和视网膜皮层图像增强原理,阐述了两者结合的可能性,并在此基础上提出了一种先采用表面波结合自适应阈值去噪处理,再进行多尺度Retinex增强的图像处理方法. 在仿真实验中将该方法与其他图像去噪增强算法分别进行比较,结果表明该方法在边缘细节保持及颜色保真方面具有优势,能够在获得更好的视觉结果的同时控制算法复杂度,有利于后续图像处理.     

自适应调制中一种新的盲检测算法的研究

在基于包传输的自适应调制系统中,提出了一种新的调制方式分类的算法,即利用接收到的包数据在星座图上的每一个点周围区域的分布概率来确定调制方式,并通过分析对该算法参数的选择进行了讨论,仿真和分析结果表明此算法对自适应调制系统是非常有效的,且复杂度很低,适用于实时处理.     

基于股票财务数据的贝叶斯网络的参数学习

研究了基于最大似然估计、贝叶斯估计与EM算法的贝叶斯网的参数学习.选取上市公司的10个股票财务变量构建贝叶斯网络,利用创建好的贝叶斯网络进行统计推断.对比最大似然估计和贝叶斯估计得到的参数值并展示EM算法不同迭代次数时的指数似然值,把EM算法得到的CPT表和最大似然估计的值相比较,对比较得到的结果进行归纳与分析.为基于不同算法的贝叶斯网络的参数学习提供了实证分析.     

约束最优化问题的一种进化规划方法

用进化规划对约束最优化问题提出了一种新的惩罚函数方法,该方法含有一个自适应惩罚参数校正方法,可以随个体的总数变化进行调整,它可以很快地脱离局部最优解而收敛于全局最优解.算法中只有很少的几个参数需要校正,故其比较简单且计算便捷.给出的仿真例子表明算法具有很好的收敛速度和很高的精确性.