基于贝叶斯推理的乘员约束系统参数识别

为了克服测量响应的不确定性给乘员约束系统参数识别带来的困难,利用马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)采样和近似模型构造技术,提出一种基于贝叶斯推理的乘员约束系统不确定性参数识别方法.该方法结合约束系统参数的先验分布和测量响应,通过马尔科夫链在未知参数联合概率密度空间进行抽样,从而获得了织带刚度缩放系数和质量流率缩放系数的后验边缘概率密度函数.识别结果表明,相比于传统确定性识别方法,基于贝叶斯推理的不确定性参数识别方法不仅能有效给出乘员约束系统参数的概率分布,而且能够保证参数寻优的全局收敛性.     

基于多模态的贝叶斯网络疼痛识别方法

有效的疼痛管理对病人的治疗和护理至关重要，针对传统的单模态疼痛识别准确度低的问题，提出了一种基于多模态的贝叶斯网络（MMBN）疼痛识别方法。首先利用互信息对多模态特征进行相关性判断，剔除冗余的特征向量，使得模型简洁；其次将多模态特征与贝叶斯网络结构的可扩展性相结合设计了一种基于多模态的BN结构，并建立疼痛识别模型；最后利用BN概率推理算法完成疼痛识别，并在UNBC-McMaster数据库上进行验证。实验结果表明，与传统基于单模态的疼痛识别方法相比较，MMBN方法利用多模态之间的信息互补性能够有效地提高疼痛识别准确度，为目前的疼痛识别与研究提供了一种新手段。     

基于环境振动和贝叶斯定理的有限元模型 自动修正方法及应用

传统的有限元模型修正方法通常没有定量考虑测试误差和模型误差的不确定性对修正结果的影响,并且难以用于复杂结构.针对上述问题,提出了一种基于环境振动测试和商业软件交互访问的贝叶斯有限元模型修正方法.该方法以环境振动测试和快速贝叶斯方法识别所得模态参数为已知数据,基于贝叶斯定理得到修正参数的后验概率密度函数,利用单纯形法最小化修正参数的负对数似然函数,得到其最有可能值及后验变异系数,并通过SAP2000有限元模型和MATLAB修正程序的交互访问,实现复杂结构有限元模型参数的自动修正.对某两层大跨楼板结构进行了环境振动测试和模态参数识别,利用所提方法直接对混凝土楼板和钢梁的弹性模量进行修正,修正后的自振频率和振型与识别值吻合较好.     

基于Gibbs抽样门限自回归模型的参数估计

基于贝叶斯统计推断以及模型随机项的基本假设,通过门限自回归(TAR)模型各参数与总体的共轭先验分布,利用蒙特卡洛模拟(MCMC)算法和Gibbs抽样从各参数的后验分布抽样,用后验均值来估计TAR模型的待估参数.通过模拟实验进一步验证基于贝叶斯统计推断在TAR模型参数估计中的有效性.     

无粘结全预应力砼梁预应力损失的贝叶斯估计

提出了用于无粘结全预应力砼梁中预应力损失检测的贝叶斯概率法。研究了预应力筋在转动约束下自由振动特征,求得频率方程,以等效刚度的形式实现其在有限元中的建模。考虑测试结果的噪声影响和结构参数的随机性,利用自适应的马尔科夫链蒙特卡罗抽样技术(AM—MCMC)对梁的有限元模型进行了模型修正,构造出不相关的结构参数样本序列。在获取其后验分布统计特征的基础上预测了梁预应力损失的分布范围。数值模拟结果表明:AM—MCMC抽样技术确保了样本序列的混合能力。选择适当的抽样间隔可以减小样本序列之间的自相关性。对于不同的预应力水平,预测的预应力损失统计均值和试验值之间误差均小于6%。     

混合非参数回归的贝叶斯推断

针对混合非参数回归问题, 给出了一种基于贝叶斯框架的推断方法. 在该方法中对每一个非参数混合成分用一个随机过程的有限维分布族作为先验, 同时分别构造混合比例、随机误差的方差和非参数混合成分的贝叶斯估计, 并通过马尔科夫链蒙特卡洛(Markov chain Monte Carlo, MCMC) 法抽样来进行后验推断. 数值模拟分别从样本量、回归曲线的相对位置和多分类情况 3 个角度进行. 模拟结果表明, 相较于全局期望最大化(global expectation maximalization)算法, 混合非参数回归的贝叶斯推断方法能够有效利用先验信息来提高模型的拟合和预测能力. 最后将混合非参数回归的贝叶斯推断方法应用于蚜虫与受感染烟草植物的实验, 同时解决了数据的聚类与回归拟合问题, 其有效性和适用性得证.     

基于MCMC算法的多元线性回归变点模型的贝叶斯估计

基于MCMC算法,研究了多元线性回归系数变点模型的贝叶斯估计问题.首先由所有参数的联合后验分布得到各参数的满条件后验分布,再利用Gibbs抽样和MH算法相结合的MCMC算法对满条件分布抽取样本,最后得到变点位置及其他参数的贝叶斯估计.随机模拟结果显示用该方法估计各参数的效果较好.     

基于Gibbs抽样的贝叶斯金融随机波动模型分析

通过分析随机波动模型的统计结构,推断了SV模型似然函数的具体形式,据此构造了模型参数的共轭先验分布.利用贝叶斯定理获得了相应的模型参数后验条件分布.同时,为了获得模型参数的贝叶斯估计及其置信区间,设计了基于Gibbs抽样的MCMC数值计算程序,并利用上海综合指数和深圳成分指数数据进行了建模实证分析,解决了参数随机条件下金融随机波动时间序列建模问题,提高了模型预报精度.     

桥梁结构基于高维模型拟合响应面的参数识别

为提高响应面法在桥梁结构参数识别中的计算精度,提出了基于高维模型拟合响应面的参数识别方法.即采用HDMR响应面法拟合结构响应面,并基于该响应面进行结构参数的识别.研究了HDMR响应面的基本构造方法,阐述了在响应面基础上通过有约束最小二乘优化实现参数识别的一般过程.以一座连续梁及一座独塔斜拉桥为算例进行分析,探讨了该方法在结构参数识别中的计算精度及效率.结果表明,相比传统响应面法,该方法在计算精度上具有显著优势.同时也验证了该方法在大型桥梁结构参数识别中的可靠性和适用性.     

采用MCMC方法的上海股市随机波动模型

采用贝叶斯统计中的马尔科夫链-蒙特卡罗(MCMC)方法对上海股市的随机波动性进行研究,基于Gibbs抽样的MCMC数值计算过程,对上海股市的随机波动率模型(SV)进行参数估计,并在WinBUGS软件中实现.根据信息判别准则(DIC),对比拟合的SV-N,SV-T,SV-MT模型参数,结果表明:SV-T模型最能反映上海股市波动具有尖峰厚尾的特性,可进一步用于预测样本外的波动率结果.     

等级反应模型的Gibbs抽样方法

探讨了MCMC算法在多级评分项目反应模型参数估计中的实现及其估计精度.针对等级反应模型,基于数据扩充技术,提出了一种高效灵活的Gibbs抽样方法,得到了各个参数的Markov链.随着潜在变量的引入,每个参数的满条件分布为相应参数的先验分布的截断分布.这种抽样方法适用于任何类型的先验分布,不受先验分布形式的约束.对应每个...     

路径抽样法在贝叶斯模型选择中的应用

为采用贝叶斯分析方法解决模型选择问题，针对传统的Box-Cox模型线性与非线性的选择问题，将路径抽样法应用于贝叶斯因子的计算，引进一个连续的路径参数并且假定它满足一定的概率分布，利用该路径参数连接待选择的模型，使计算贝叶斯因子的工作主要集中于马尔可夫链蒙特卡洛(MCMC)抽样上，从而简化了使用贝叶斯分析方法的计算过程，实现了路径抽样法在模型选择中的具体应用．     

IIRCT下负二项分布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带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

基于MCMC方法的城区有毒气体扩散源反演

城区中有毒气体突发性泄漏时,需要快速对泄漏源进行定位和识别,以便科学预测气体的蔓延及其影响范围。利用基于Bayes推断理论的MCMC(Markov chain Monte Carlo)抽样方法,根据城市中分布的传感器测量信息和气体扩散数值计算模型,构造似然函数,对泄漏源的位置、强度进行反演。计算了这些参数和空间各点浓度的相关统计量,表明反演结果与泄漏源的真实参数十分吻合。此外,还讨论了传感器测量误差的概率分布对结果的影响。结果表明,误差概率会显著影响计算效果,概率分布越平坦,泄漏源反演信息的不确定度越大。     

华北农田土壤水分运动参数的Bayes估计

为了估计具有垂向空间异质性的田间尺度土壤水分运动参数,提出利用原位多点土壤含水率观测数据反演多层土壤持水和导水特征参数的Bayes方法。该方法基于Hydrus-1D模拟模型建立Bayes推断模型,采用Markov Chain Monte Carlo(MCMC)方法求解Bayes联合概率分布,得到参数的后验边缘分布。将该方法应用于华北平原一典型农田土壤剖面,参数反演结果反映了空间变异性,与室内试验值具有较好的一致性,相应的土壤水分运动模拟具有较高精度,从而验证了该方法的有效性。     

左截断右删失数据下二项分布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泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

基于动态贝叶斯网络的公路交通事件算法

利用贝叶斯后验概率函数,通过不断改进有关事件发生概率的权值,充分逼近真实值．其中,对于有关参数数值的获取,我们利用Gibbs抽样,通过随机模拟,即Markov Chain Monte Carlo（MCMC）的方法,来近似得到,尽管是近似,却有很高的精确度．最后,我们用这个方法做了一个交通事件的例子,表明效果很好．     

基于PCA-BNN的页岩气压裂施工参数优化

国内外学者在已有大量国外页岩压裂样本数据的前提下,开展了基于机器学习的页岩气压裂有效期预测及压裂参数优化的研究。随着近年来中国F气田不断地规模开发,积累了大量的压裂施工、生产动态、解释成果数据。通过利用已有的200口井的压裂施工历史数据及储层物性参数建立贝叶斯神经网络模型来优化压裂施工参数。选取对压裂效果有影响的储层物性参数、完井参数、压裂施工参数,用皮尔逊相关系数法分析11个参数的相关性;用主成分分析法（PCA）进一步降维处理,以降维后的主成分作为贝叶斯神经网络模型的输入参数,以压裂效果评价指标（有效期）为输出参数,引入贝叶斯方法自适应调整正则化系数避免神经网络过拟合,生成三层贝叶斯神经网络预测模型。用200口井中90%的井数据作为训练集,10%的井数据作为测试集,对该模型进行训练,实验结果表明,训练后该模型预测测试集的相对误差均值在5%以内,可以用来优化压裂施工参数。