基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

一种基于非参数贝叶斯理论的语音增强算法

提出一种基于非参数贝叶斯理论的语音增强算法,在稀疏表示的框架下,把字典学习、稀疏系数表示和噪声方差估计融合成一个贝叶斯后验估计的过程,并利用Spike-Slab先验加强稀疏性.首先,将带噪语音分解为干净语音、高斯噪声和残余噪声3个子信号,分别对该3种子信号采用不同的先验概率模型表达,接着采用马尔科夫链-蒙特卡洛算法计算出3个模型中每个参数对应的后验概率,最后基于稀疏表示的框架重构出干净语音.实验数据使用NOIZEUS语音库,采用PESQ和SegSNR作为质量评价指标,分别在信噪比为0,5和10dB的高斯白噪声、火车噪声和街道噪声上验证了其可行性,并与多种常用语音增强方法进行对比,发现其在低信噪比非平稳噪声情况下的增强效果更为理想.     

二值响应数据贝叶斯中位数估计

中位数回归是一种稳健的估计方法,在实践中有着广泛应用.基于贝叶斯方法研究二值响应数据的中位数估计问题,通过引入合适的潜在变量得到了贝叶斯层次模型,进而得到易于后验抽样的吉布斯抽样程序.为验证新方法估计的稳健性,通过大量数据模拟,并与已有方法进行比较,得到了满意的结果.最后实例数据分析进一步证明了所提方法的有效性.     

零一膨胀负二项模型的客观贝叶斯分析

该文建立了贝叶斯模型，对零一膨胀负二项分布进行了客观贝叶斯估计.采用数据增广策略，基于完全似然函数，推导出零一膨胀负二项模型不同形式的reference先验，进一步证明了相应的后验分布是恰当的.在不同的样本量和不同的参数真值下，对3种reference先验的性能进行仿真与评估.最后，对于生物化学博士生发表论文数量的数据集，零一膨胀负二项模型能够达到较好的拟合效果.     

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.     

定数截尾下Lomax分布失效率和可靠度的贝叶斯估计

由定数截尾寿命试验数据,得到了样本的似然函数. 当取形状参数的先验分布分别为共轭先验分布族和Jeffreys先验时,根据贝叶斯公式得到了形状参数的后验分布,并进一步得到了失效率和可靠度的后验分布.当取平方损失和熵损失函数时,根据后验风险最小的原则,由贝叶斯统计方法得到了失效率和可靠度的贝叶斯估计.通过计算机随机模拟1 000次得到失效率和可靠度的均值和均方误差,并且从均值和均方误差两方面对几个估计值进行了比较,结果表明如果没有充分的先验信息可以利用,无法得到超参数a、b较为准确的估计时,应优先使用Jeffreys先验.     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

基于贝叶斯推理的Web服务质量评价方法

为了对Web服务质量进行准确评价,提出了一种基于贝叶斯推理的Web服务质量评价方法.该方法首先从客观数据和主观数据两个方面,使用最大熵原理提取先验分布信息,然后通过贝叶斯推理出服务质量(quality of service,QoS)的分布参数,最后使用获得的QoS分布参数给出可信的QoS后验分布信息,从而对Web服务质量进行评价.大量的实验结果表明,本文提出的方法能够准确地对Web服务质量进行评价.     

一种基于贝叶斯压缩感知的图像修复方法

图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.     

基于属性相关的朴素贝叶斯分类算法

朴素贝叶斯分类器是一种简单、高效的分类算法,它以贝叶斯定理和最大后验假设为理论基础,然而朴素贝叶斯分类器属性之间相互独立的假设,影响了朴素贝叶斯分类器的性能.提出先使用基于相关的属性选择算法进行属性选择,然后在选择的属性集上,用朴素贝叶斯分类器对数据集进行分类.实验证明,与未使用属性选择的实验结果相比,使用基于相关的属性选择算法进行属性选择后,朴素贝叶斯分类器平均分类正确率提高,分类效率显著提升.     

基于贝叶斯方法的出行产生率预测

基于贝叶斯统计方法的理论分析,结合贝叶斯方法在交通参数预测中的既有应用,提出了贝叶斯方法预测国内出行产生率的具体方法.该方法以大规模居民调查历史数据为出行产生率的先验分布,以最近小样本抽样数据作为新样本数据,近期出行产生率则为需要预测的后验分布期望值,在先验样本与新样本均超过30的前提下,将先验样本与新样本的均值与方差视为正态分布无偏估计,进而应用贝叶斯统计方法计算得到近期出行产生率,从而达到小样本抽样调查即可对出行产生率进行及时更新的目的.以实例验证了该方法的可行性,并指出其局限性与适用条件.     

数控机床贝叶斯可靠性评估模型的综合评价方法

基于DIC(Deviance Information Criterion)信息准则、BGR(Brooks-Gelman-Rubin)诊断原理、蒙特卡洛仿真误差及模型参数和可靠性指标后验估计的区间长度,提出了数控机床贝叶斯可靠性模型的综合评价方法.给出了不同先验下用于Gibbs抽样的幂律过程模型参数的后验分布,并利用马尔科夫链蒙特卡洛法获得了模型参数和可靠性指标的贝叶斯点估计和区间估计.通过2个工程实例进行验证,结果表明,幂律过程模型各项评价指标均优于Weibull分布模型,适用于小样本故障数据数控机床的可靠性评估.     

连续数据上基于贝叶斯网的子空间例外检测

例外挖掘是一项有趣的知识发现任务。现有的例外挖掘算法主要基于数据的所有属性检测数据集中的例外。本文针对高维数据的稀疏性,提出了连续数据上基于贝叶斯网(BN)子空间例外挖掘,以及基于属性重要性的连续数据离散化方法。     

数控机床不完全维修的贝叶斯可靠性评估

提出了在少样本故障数据情况下,数控机床不完全维修的贝叶斯可靠性评估方法,分析了广义更新过程虚龄模型参数的验前分布和后验分布,利用马尔科夫链蒙特卡洛仿真方法获得了模型参数、累计故障数、故障强度和可靠度等可靠性指标的贝叶斯点估计和区间估计,并分析了某一现场数控机床不完全维修的可靠性.结果表明,与极大似然估计方法相比,贝叶斯可靠性评估方法具有较高的精度.     

基于数据融合的协作频谱感知算法

协作的频谱感知使认知无线电(CR)网络对主用户进行可靠的检测,并避免了对主用户通信的干扰.数据融合是协作的频谱感知的关键技术.对基于"与"准则、"或"准则、最大后验概率准则和贝叶斯准则的数据融合算法进行了研究,采用这4种融合方法在认知无线电网络中进行协作频谱感知,并比较了它们的频谱检测性能.仿真结果显示最大后验概率准则和贝叶斯准则在认知无线电的环境中有优越的感知性能.     

基于变分稀疏贝叶斯学习的DOA估计

针对传统稀疏贝叶斯学习的DOA估计算法复杂度较高、收敛速度较慢等问题,提出了一种基于变分稀疏贝叶斯学习的DOA估计算法。首先通过空间网格划分方式建立基于稀疏表示的DOA估计信号模型;其次在此模型基础上为未知待估计参数指定先验分布,得出稀疏信号的后验概率分布;然后利用变分贝叶斯学习算法,通过最小化KL散度寻求后验概率分布的近似分布;最后估计出未知参数,并得到信号的DOA估计值。根据MATLAB仿真图的结果,该算法成功估计出信号的DOA,并达到了预期效果。与传统稀疏贝叶斯学习算法相比,该算法单快拍下具有更高的DOA估计精度以及更快的收敛速度。     

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.     

压缩模量融合CPT数据的贝叶斯空间插值方法

大规模现代化展览场馆对基础不均匀沉降较为敏感,持力层压缩模量的空间分布特征对于控制地基变形至关重要.常规工程勘察钻孔仅提供少量精确的压缩模量土工试验值,但原位测试可提供大量随机的静力触探值,为了融合室内试验和原位测试的数据,提出压缩模量的贝叶斯空间插值方法.核心研究内容包括:根据岩土工程勘察的数据精度,将测试数据分为硬数据和软数据;使用空间随机函数描述压缩模量的空间变异性;利用最大熵理论分析软数据的不确定性,基于贝叶斯理论,建立随机场插值方法,对未知点压缩模量的后验分布进行估计.为了验证该方法的有效性,将贝叶斯空间插值方法应用于上海国家会展中心浅部持力层(粉质黏土层)的压缩模量空间变异性分析.与普通克里金插值方法比较,贝叶斯方法能融合多源勘察数据进行空间插值,精度更高.     

基于模拟退火算法的大地电磁和地震数据贝叶斯联合反演

基于模拟退火算法实现了大地电磁和地震数据贝叶斯同步联合反演。贝叶斯反演是反演领域的研究热点。目前,虽已有其他方法之间的贝叶斯联合反演文献发表,但鲜见大地电磁和地震数据贝叶斯联合反演文献。充分考虑数据噪音不确定性的影响,将联合反演的解表达为后验概率密度分布,并提取了电阻率和速度的最大后验概率解、均值解和最终迭代解。     

基于稀疏向量距离的网络入侵数据检测

传统的网络入侵检测速度慢、实时性差,且误报率较高。为此,提出一种基于稀疏向量距离的网络入侵数据检测方法。该方法首先对所获得的网络样本数据进行初步分析,采用K-means算法对样本数据包进行量化处理得到该数据流的位置分布集,使用压缩感知的稀疏编码技术处理,得到数据的稀疏表示,然后通过随机投影获取数据集的二值哈希编码可以近似地表示稀疏向量的距离,与设定的阈值进行比较,判断该数据是否为入侵数据。根据这些稀疏向量的距离能够快速而准确地检测到入侵的网络数据。实验结果表明,相对于传统检测算法,本文算法具有速度快、实时性好、误报率低等优点,使入侵检测系统的性能得到了很大提高,充分确保了网络的安全性。