参数在线学习的动态贝叶斯网络态势估计算法

为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.     

Liouville分布与贝叶斯估计

讨论了作为狄利克雷分布推广的Ｌｉｏｕｖｉｌｌｅ分布对于多项分布抽样情形下的贝叶斯估计，并给出了其风险函数在极大似然估计和狄利克雷先验分布下贝叶期估计风险函数的比较。     

融合LDA的门控图卷积网络文本分类研究

在现有文本图基础上引入隐狄利克雷分布,将文档-主题和主题-词信息融入文本图以丰富文本图中节点间关系,之后将该文本图送入一个基于图卷积网络门控机制模型.在多个数据集上进行验证.结果表明,所提出的模型优于现有图卷积网络文本分类模型.     

基于狄利克雷分布和参数分析的高斯混合模型图像分割算法

传统的高斯混合模型对于含有噪声的图像不能进行有效的分割。针对有噪声图像的分割问题,提出了一种基于狄利克雷分布和参数分析的高斯混合模型图像分割算法。首先采用高斯函数对像素计算先验概率值,然后采用狄利克雷分布和定律关联像素间的邻域信息,并利用梯度下降法优化参数。实验结果表明,本文算法对无噪声和有噪声图像的分割结果比传统方法更有效,误分率更低。     

基于变分贝叶斯推理的高光谱图像恢复

提出一种基于变分贝叶斯推理的高光谱图像恢复方法.建立描述高斯噪声的最大似然函数项,采用小波基矩阵变换,构建小波变换后因子稀疏分布的先验函数;然后建立估计图像和相关超参数的联合后验概率估计模型,并通过变分贝叶斯推理得到估计的图像.利用实际的高光谱图像进行实验,从恢复的衡量指标和视觉效果图两方面验证所提出方法的有效性,结果优于目前常用的图像恢复方法.     

面向新浪微博的情感社区检测算法

面向社交网络的情感社区检测,可应用于公共健康、舆情监测等领域.以新浪微博为平台建立一种情感社区检测框架,首先融合微博情感表情特征和情感词典,提出基于朴素贝叶斯算法的半词典半表情(naive Bayes based semi-lexicon and semi-emoji,SL-SE-NB)分类模型以实现对文本的情感极性预测;提出一种基于潜在狄利克雷分配(latent Dirichlet allocation,LDA)话题模型的用户-超话题-关键词(user-topic-keywords,UTK) 模型抽取用户话题;基于标签传播算法(label propagation algorithm,LPA)并加入话题概念,提出基于种子集与最小边介数的标签传播情感社区发现算法(label propagation algorithm based seeds and min-edge betweenness,SMB-LPA).最后通过实验验证了所提出算法的有效性和高效性.     

基于图像上下文语义信息的场景分类方法

针对传统“视觉词袋模型”在进行场景分类时只利用图像的特征域,忽略其空间域中上下文语义信息的问题,提出一种基于图像上下文语义信息的场景分类方法.在传统“视觉词袋模型”的基础上,引入马尔科夫随机场模型对图像上下文语义信息进行建模,利用潜在的狄利克雷分布学习场景的主题分布,且利用支持向量机构造场景分类器.对16类场景的分类实验证明该方法能够有效提高分类精确度     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．     

基于时空语义挖掘的城市功能区识别研究

针对目前城市功能区划分大多依靠人工完成,且未充分使用城市中时空数据的问题,提出一种基于时空语义挖掘的城市功能区识别方案.首先,选取某城市矩形区域为研究样本,并以建筑物为划分依据将研究样本划分为有效的基础区域;然后,对各基础区域内的新浪微博位置签到数据及POI(Points of Interest)数据进行时空语义挖掘,采用狄利克雷多项式回归(DMR)主题模型生成区域的功能性向量;最后,通过向量聚类,依据POI类别比例完成区域的功能性识别.实验结果表明,本方案相比基于POI密度的k-means聚类方案和基于潜在狄利克雷分布(LDA)主题模型的城市功能区识别方法具有更高的准确性,位置签到数据所表征出的人们活动模式可以揭示城市功能区之间的差异,在城市地理空间分析上具有良好的效果.     

论贝叶斯学习机的学习过程

贝叶斯学习是机器学习研究的一个重要方向,它是以贝叶斯定理为基础,基于已知的概率分布和观察到的数据,并结合先验知识进行推理,作出最优决策的一种概率手段. 本文首先针对参数和变量的不同类型分别给出四种情形的贝叶斯公式,然后结合一个指数分布的特例,研究了贝叶斯学习过程中有关信息的转换过程,指出了如何合理正确地利用先验信息、模型信息和样本信息.     

基于变分贝叶斯的数据分类算法

随着互联网技术的高速发展,数据库的规模和复杂度不断增长,传统的分类方法已经不能满足复杂数据的分类需求,针对此类问题,提出了一种基于变分贝叶斯的数据分类算法。该算法在传统贝叶斯推断上引入变分近似理论,结合最大期望算法思想,利用统计物理中的平均场理论,并以混合高斯模型为例进行了实验仿真。实验结果证明,随机生成数据在经过382次迭代后,能明显看出由3组高斯模型混合而成,似然函数的下界随迭代次数增加不断上升,在350次迭代后曲线与预想一样趋于平缓,并且在误差允许的范围内得到接近真实数据的均值和逆协方差矩阵,实现其分类处理。在保证高精度的要求下计算速度更快、效率更高、更符合实际工程的应用背景。     

基于低秩矩阵填充的推荐算法

针对已有协同过滤推荐技术中评分矩阵极度稀疏问题,提出了一种基于低秩矩阵填充技术的推荐算法.该算法从贝叶斯框架出发,提出了能够解决低秩矩阵问题的分层高斯先验模型,并将广义近似消息传递算法嵌入到贝叶斯框架,规避了贝叶斯学习过程中烦琐的矩阵逆运算,提升了算法运算速度,同时在广义近似消息传递算法中施加阻尼运算以促进收敛.在开放数据集上的实验结果表明,所提出的算法与相关的矩阵填充推荐算法相比,有效地提高了推荐准确度.     

改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

软聚类节点分裂层次模型

针对分类决策树算法存在的结构冗余及误差迁移问题，提出了软聚类节点分裂层次模型.通过叶子节点处决策模型构建以及软聚类节点分裂方法，实现对样本空间的高效划分，生成精简的层次结构模型.利用层次结构判别方法，从层次结构模型叶子节点到根节点对样本进行加权求和预测，降低模型结构对判定效果的影响，提高模型对判别误差的调节能力.对比了CART、ID3、C4.5共3种分类算法，该方法构建的模型结构简单，在两个数据集上均有最好的分类效果，F₁-measure分别为0.53和0.38.说明软聚类节点分裂层次模型能够避免冗余结构，缓解误差迁移问题.      

Bayes网络学习及其在文本检测中的应用研究

针对大规模Bayes网络的条件概率赋值问题,提出一种学习方法．首先使用类层次结构定义一种新的层次Bayes网络模型,用于表示大规模Bayes网络．然后将训练数据集由单个数据表的形式转化成多表数据库,其中每个数据库表对应1个Bayes网络模块．在此基础上导出条件概率计算公式,从每个数据库表中算出相应的Bayes网络模块的条件概率表,由此实现对整个层次Bayes网络的概率赋值．可通过适当增加数据库表的数目来控制每个表中属性的个数,保证计算的可行性．最后将本层次Bayes网络及计算公式用于解决图像中文本的自动检测与定位问题,实验结果表明了它们的有效性．     

一种新的Bayes网络条件概率学习方法

针对大规模Bayes网络的条件概率赋值问题,提出一种学习方法.首先使用类层次结构定义一种新的基于层次的Bayes网络模型,用于表示大规模Bayes网络.然后将训练数据集由单个数据表的形式转化成多表数据库,其中每个数据库表对应一个Bayes网络模块.在此基础上导出条件概率计算公式,从每个数据库表中算出相应的Bayes网络模块的条件概率表,由此实现对整个层次Bayes网络的概率赋值.通过适当增加数据库表的数目来控制每个表中属性的个数,保证计算的可行性.将层次Bayes网络及计算公式用于解决图像中文本的自动检测与定位问题,实验结果表明了它们的有效性.     

基于机器学习的数据库小数据集并行集成方法

为了解决传统方法不能按照训练样本量设计最优网络模型,集成效率低的弊端,通过机器学习方法研究数据库小数据集并行集成方法。机器学习选用朴素贝叶斯算法,依据条件独立性假设,通过计算目标先验概率,采用贝叶斯定理求出其后验概率,对后验概率进行比较,完成决策分类,对基分类器进行训练,把不同朴素贝叶斯基分类器当成集成分类器,在原始数据库上对基分类器进行训练,依据分类结果对数据库中小数据集样本分布进行调整,将其当成新数据集对基分类器进行训练,按照基分类器的表现,通过加权将其组合在一起,产生强分类器,实现对数据库小数据集的集成处理。通过MapReduce并行处理完成并行数据集成,输出并行集成结果。通过仿真实验与实例分析验证所提方法的有效性,结果表明:所提方法在训练样本规模相同的情况下有最高的分类精度和最小的波动,在不同集成规模下的分类精度一直最高,波动最小;所提方法可达到数据的最优集成,数据失效比降低,合成比提高。可见所提方法集成精度高,计算稳定性强,集成效果好,效率优。     

基于矢量量化的时序说话人聚类方法

针对传统分层聚类方法运算速度较慢的问题,提出一种基于矢量量化的时序说话人聚类方法。首先对各语音段的特征进行矢量量化得到各语音段的码本,然后采用贝叶斯信息判据计算各码本之间的距离,最后按时间先后顺序进行说话人聚类。采用会议和新闻语音数据进行测试,实验结果表明:会议语音的说话人聚类F值为73.47%,新闻语音的说话人聚类F值为80.00%;在处理速度方面,该方法比无矢量量化时序聚类方法提高了3.16倍,比传统分层聚类方法提高了53.31倍。     

基于分层注意力循环神经网络的司法案件刑期预测

为了解决刑期预测任务准确率较差的问题,提出一种基于多通道分层注意力循环神经网络的司法案件刑期预测模型.该模型对传统的循环神经网络模型进行了改进,引入了BERT词嵌入、多通道模式和分层注意力机制,将刑期预测转化为文本分类问题.模型采用分层的双向循环神经网络对案件文本进行建模,并通过分层注意力机制在词语级和句子级两个层面捕获不同词语和句子的重要性,最终生成有效表征案件文本的多通道嵌入向量.实验结果表明:对比现有的基于深度学习的刑期预测模型,本文提出的模型具有更高的预测性能.     

加权超1-依赖贝叶斯分类器在柴油机故障诊断中的应用

在传统贝叶斯分类方法基础上,通过计算每个超1-依赖分类器与其相对应的朴素贝叶斯分类器的差异性来对超1-依赖分类器进行加权,提出一种超1-依赖分类器的度量方法,并将该算法运用到Dewetron燃烧分析仪采集到的柴油机故障数据分类诊断中.实验证明,该算法在柴油机故障检测上较传统加权超1-依赖算法有较稳定的精度提升.