用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。     

基于Bayes理论和RBF结构的分类器

基于RBF的网络结构和贝叶斯思想,通过改变RBF的隐层输出和权值训练算法,使得网络输出为K个描述样本属于K个类中每个类的概率的值,构造出一种不确定分类器,通过比较K个值的大小从而确定样本的分类.试验结果表明这种分类器比RBF和NBC(朴素贝叶斯分类器)的准确率要高.     

基于贝叶斯网络的城市道路交通事故分析

以5 190起交通事故数据为分析依据,基于专家知识和数据融合方法建立了城市道路交通事故分析的贝叶斯网络结构.利用服从Dirichlet分布的贝叶斯方法对贝叶斯网络进行参数学习.结合网络模型,应用联合树引擎推断了在车辆类型、事故地点和交通参与者等因素的影响下交通事故类型概率分布.结果表明:客货车等大型车辆发生侧面碰撞的可...     

基于贝叶斯网络的实时行情预测算法

贝叶斯网络说明变量集合的联合条件概率分布为自然地表示因果信息提供了一种方法.用贝叶斯网络进行预测的核心问题是选择最符合样本数据的网络结构,即根据数据样本D和先验知识ζ找出后验概率户(Sh|D,ζ)最大的贝叶斯网络S.提出了一种基于贝叶斯网络的实时行情预测算法,并对其数据结构与实现方法进行了阐述.     

基于贝叶斯网络分类器的船舶柴油机冷却系统故障诊断

针对船舶柴油机冷却系统故障诊断中信息和知识具有随机性和不确定性的特点,提出基于贝叶斯网络分类器的船舶柴油机冷却系统故障诊断的NB贝叶斯网络故障诊断模型和TAN故障诊断模型。研究结果表明:这2种故障诊断模型均可通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果;采用这2种故障诊断模型,正判率在80.57%以上。     

基于增量式贝叶斯分类器的故障诊断研究

本文针对贝叶斯分类器精度不高,需要大量样本集学习,尤其是当获得大量的带有类别标注的样本代价较高时的缺点,探讨了一种基于增量式贝叶斯分类器的故障诊断方法,使用该模型不断积累完善样本,自动修正网络结构参数和概率分布参数,从而达到诊断效果的高效性。也把该模型运用到变压器的故障诊断中,通过大量的实例证明,该模型运用的算法在现实工作中有实质的可行性和操作性。     

一种改进的贝叶斯网络知识合成算法

为了解决贝叶斯网络知识合成中的不一致问题,对现有的算法进行了改进.改进后的算法在现有方法的基础上,引入了约束集不一致时的知识合成算法,在知识合成迭代过程中,通过对联合概率分布和概率知识的双向修正,在每一步迭代过程中降低了不一致度,从而实现了贝叶斯网络知识合成时对不一致概率知识的处理.实验结果表明,改进后的算法不仅能够处理概率知识之间相互不一致问题,而且能够处理概率知识与网络结构不一致问题.     

基于Matlab的贝叶斯分类器实验平台MBNC

为了测试评估贝叶斯分类器的性能,用不同数据集进行对比实验是必不可少的．现有的贝叶斯网络实验软件包都是针对特定目的设计的,不能满足不同研究的需要．介绍了用Matlab在BNT软件包基础上建构的贝叶斯分类器实验平台MBNC,阐述了MBNC的系统结构和主要功能,以及在MBNC上建立的朴素贝叶斯分类器NBC,基于互信息和条件互信息测度的树扩展的贝叶斯分类器TANC,基于K2算法和GS算法的贝叶斯网络分类器BNC．用来自UCI的标准数据集对MBNC进行测试,实验结果表明基于MBNC所建构的贝叶斯分类器的性能优于国外同类工作的结果,编程量大大小于使用同类的实验软件包,所建立的MBNC实验平台工作正确、有效、稳定．在MBNC上已经进行贝叶斯分类器的优化和改进实验,以及处理缺失数据等研究工作．     

稀疏纹理分类的研究

文章研究了视点和光照条件均未知的纹理图像分类,在滤波器输出的联合概率分布基础上,运用贝叶斯分类器和改进分类器进行分类,讨论了纹理的特征提取和用于纹理分类的方法.实验证明,本文算法可以较准确地进行纹理特征提取和分类,使得纹理分类工作变得有较强的实用性.     

基于马尔可夫毯的贝叶斯网络结构学习算法

贝叶斯网络图结构的自动学习是机器学习中的一个挑战,针对传统算法学习效率低、难于去除冗余边及确定结构中边的方向等问题,提出了一种基于马尔可夫毯的贝叶斯网络结构学习算法.该算法改进了经典的马尔可夫毯学习算法,使之减少条件独立检验次数,并在后续确定有向结构方面更适应贝叶斯网络结构学习,同时给出了两种有向边方向确定的一般性解决方案,有效提高了学习算法的学习效率.最后建立了基于贝叶斯网络的互联云QoE评价模型,并进行了仿真实验,结果表明改进后的学习算法在预测准确率、学习效率上均优于传统算法.     

判决性字典学习方法综述

为了解决在基于稀疏表示的分类算法中,传统字典学习框架下学习得到的字典仅可用于信号重构而并不针对分类的问题,分析和总结了具有代表性的面向分类的字典学习算法,也称判决性字典学习。判决性字典学习算法总体上分为两类:直接使得字典具有判决性和使得表示系数具有判决性。对两类方法进行分析和总结可为本领域算法的发展提供参考,并引起更多研究。     

可缓解类重叠问题的跨版本软件缺陷预测方法

针对软件缺陷预测过程中未充分使用源代码语义特征以及训练数据集中的类重叠问题, 提出一种面向类重叠的跨版本软件缺陷深度特征学习方法. 该方法采用混合式最近邻清理策略缓解深度学习语义特征中存在的类重叠问题. 在PROMISE公开数据集上进行测试的结果表明, 该策略能提升基于深度语义学习的软件缺陷预测性能, 分类性能最多在中值上提升14.8%. 实验结果表明, 在跨版本深度缺陷预测问题中可采用混合式最近邻清理策略缓解类重叠问题.     

信息化环境下大学生自我导向学习现状探析

信息化环境下自我导向学习能力强的大学生更具有发展潜力和竞争优势。采用定量和定性相结合方式对当前大学生的自我导向学习能力现状进行研究,结果显示:当前大学生有自我导向学习的倾向性,但是这种倾向性总体表现较弱,表现最差的依次是学习效率和学习主动性两个维度;不同性别、专业类别、家庭背景和不同年级的学生在学习需求认知、学习主动性、学习灵活性、学习策略运用和学习效率追维度上的表现存在差异。     

空间耦合LDPC码的深度迭代译码算法设计

空间耦合LDPC码因其在次最优迭代译码算法下能够达到最大后验概率译码性能而引起广泛关注。但其优异的阈值特性需要在码长很长时才能实现,当采用传统的迭代译码算法时,实现的复杂度将以指数增加,无法应用。为了有效降低传统迭代译码算法的复杂度,本文结合深度学习技术提出了一种空间耦合LDPC码的深度迭代译码算法。通过在消息传递过程中引入权重系数并采用深度神经网络对其进行训练获取权重系数,以此优化消息的可靠性度量值,从而提升译码收敛速度,降低译码复杂度。仿真结果表明,所提出的深度迭代译码算法可以以较少的迭代次数达到与传统迭代译码算法在较多迭代次数下的译码性能。     

缓存辅助移动边缘计算的任务卸载与资源分配联合优化策略

为了减少资源受限的移动边缘计算场景下任务卸载和资源分配过程中的能量消耗,提出缓存辅助的动态卸载决策和计算、通信、缓存多维资源分配的联合优化策略。该策略根据任务流行度制定缓存服务,通过控制用户设备的发射功率优化通信资源分配,并结合计算卸载合理利用服务器的计算资源。提出最小化时延和能耗的均衡优化目标,设计基于深度强化学习的优化求解算法。最后,通过仿真实验验证所提策略的有效性,结果表明该策略在计算资源和缓存容量约束条件下能展现较优性能。     

运动想象脑机接口的判别迁移特征学习与分类

为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习（discriminative transfer feature learning, DTFL）的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间的差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升对运动想象的分类性能。基于DTFL的运动想象分类方法无需目标域脑电样本的类别信息,可以有效避免长时间的校准。在脑机接口竞赛数据集上的实验结果表明,DTFL显著优于其他迁移学习方法,有效缓解跨域分布的不一致性,提高了运动想象的分类正确率。     

学习贝叶斯网络结构的混合粒子群算法

 针对直接使用粒子群算法进行结构学习效率较低的缺陷,基于无约束优化,提出一种贝叶斯网络结构学习的混合粒子群算法。该算法首先构造并求解一无约束优化问题,其最优解对应的无向图中的边可为结构学习提供一搜索范围,缩小粒子群算法的搜索空间,然后在缩小的空间中完成对贝叶斯网络的结构学习,从而提高了粒子群算法的学习效率。仿真试验结果表明,该混合粒子群算法可以快速、准确地学习到最优贝叶斯网络结构。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

改进的Q学习算法在轨迹规划中的应用

为解决 Q 学习算法易陷入局部最优解问题, 改进了传统贪婪策略, 提出了一种分段渐近搜索策略。该策略通过动态调整策略参数, 使 Q 学习算法在学习过程中实现探索鄄学习鄄利用 3 个阶段的渐近跳转。 同时将该搜索策略应用于 Q 学习算法中, 使改进的 Q 学习算法能更快速地逼近全局最优解。 将改进算法应用于机械臂轨迹规划中, 其仿真结果表明, 该算法能稳定地引导机械臂沿最优轨迹快速到达目标位置。