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.     

针对高级数据加密标准的最大差分功耗分析

在讨论AES功耗模型的基础上,提出了一种新的最大差分功耗攻击(MDPA)的方法.算法对被攻击的部分明文用猜测的密钥进行变换,采用差分的方法去除噪声,比较由变换后的明文和正确密钥产生的一组功耗值,通过寻找最大功耗值得到正确的密钥.采用MDPA方法和相关功耗分析的方法对AES进行了仿真攻击实验,结果证明了本文所提方法的有效性,同时也显示MDPA方法能够以合理的攻击代价显著增强相关功耗分析攻击的效果.     

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％．     

合成孔径雷达图像的贝叶斯压缩感知重构算法

针对目前合成孔径雷达(SAR)图像压缩感知重构算法没有充分利用小波系数相关性的缺点,提出了一种综合利用尺度间衰减性和尺度内方向能量聚集性的SAR图像贝叶斯压缩感知重构算法(DLWT-TDC)。首先采用方向提升小波变换(DLWT)对SAR图像进行稀疏表示,然后在3个高频子带中分别使用3×5、5×3、5×5邻域设计了具有方向和空间局部自适应的先验概率分布模型,最后利用马尔科夫链蒙特卡罗采样的贝叶斯推理恢复出图像的小波系数,进而得到重构图像。实验结果表明,DLWT-TDC算法在采样率为50%～90%下可以提高图像的重构性能,与仅利用尺度间相关性的小波树结构的压缩感知重构算法相比,在90%高采样率下的重构性能可提高3dB左右。     

基于互信息的分布式贝叶斯压缩感知

压缩感知理论应用于分布式认知网络中时,由于每个认知用户所处的信道环境差别很大,因此频谱感知的精度相差很大.为了提高感知的精度,提出了一种结合了分布式网络中的数据融合方法和压缩感知理论中的高效的数据处理方式的方法.首先,单个认知用户单独地运用压缩采样(CS)进行频谱的粗略感知,然后通过互信息的计算可以得到两两认知用户之间感知信息的差异,而差异大的两个认知用户之间会产生关联.认知用户的感知信息会按照这种关联进行共享.信息共享后,在每个认知用户端,基于贝叶斯推理的压缩感知恢复会重新进行来更新之前的感知结果.仿真结果表明,在感知精度与感知速率方面,算法性能均有改善.     

基于贝叶斯推理的LS-SVM矿产资源定量预测

针对矿产资源定量预测过程中最小二乘支持向量机(LS-SVM)的参数选择具有主观性和随意性,提出了一种与贝叶斯推理相结合的LS-SVM资源定量预测方法,并将其与证据权法(Wof E)进行了对比.在训练过程中采用贝叶斯推理方法对LS-SVM的参数选择进行优化,进而构建矿产资源定量预测优化模型.研究表明,该方法不但克服了参数选择的局限性,而且以后验概率形式输出预测结果,从而可提高预测精度.     

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.     

基于最大间距准则和差分向量的人脸特征提取

提出了一种结合最大间距准则(MMC)和差分向量的特征提取方法,将其应用在人脸识别中.首先对样本图像进行Gram-Schmidt正交变换得到每类样本的共同向量;然后将每幅原始图像与该类的共同向量之间的差作为差分向量,通过MMC方法得到差分向量的最优投影变换矩阵;最后将测试样本的差分向量和训练样本的差分向量投影到最优投影变换矩阵上获得特征向量,利用三阶近邻分类器进行分类识别.在ORL和Yale人脸数据库上的实验结果表明了该方法具有较好的识别性能.     

基于贝叶斯推理的水环境系统参数识别

为了克服监测数据有限而且存在误差给水环境系统参数识别带来的困难,以一维河流水质模型方程为例,构建了水环境系统参数识别的贝叶斯算法．结合模型参数的先验分布和水质监测数据,通过贝叶斯定理计算获得了表征参数分布规律的联合后验概率密度函数．通过马尔科夫链蒙特卡罗模拟对后验分布进行了采样,获得了参数的后验边缘概率密度,并在此基础上获得了参数的数学期望等统计量．计算结果表明采用贝叶斯推理获得的模型参数估计具有很高的精度．此算法构造直观、简单,成功解决了水环境系统参数的可识别性问题．     

图像分块的贝叶斯压缩感知算法研究

为增加信号重构的可信度和减少重构过程的人为干预,采用贝叶斯压缩感知的方法,将待重构信号赋予先验分布,不仅重构出信号参数,并能同时获得信号参数的置信区间,以此实时调整重构模型使信号恢复达到最佳。基于拉普拉斯分级先验模型的贝叶斯压缩感知算法,对图像进行合理分块,用不同比率对分块图像压缩,并在重构过程进行分级处理,进一步减少运算时间,最终使用相关向量机(RVM)实现了稀疏信号的最大后验概率估计。实验结果表明,通过和传统算法相比较,上述算法使得重构图像质量得到明显提高,并且相比于全局贝叶斯压缩感知算法具有更好的实时性。     

一种基于小波变换与分类矢量量化的图像压缩算法

为了提高数字图像的压缩比率,提出了一种将小波变换与分类矢量量化相结合的图像压缩算法.该算法首先对图像进行小波分解,充分利用不同尺度小波系数的相关性,并对不同尺度的子图使用分类矢量,不同类使用不同大小的子码书.为了解决高维矢量在算法实现时效率较低的问题,采用非线性插值对构造好的码矢量进行降维.实验表明,该方法在提高图像压缩比的同时,降低了算法的时间复杂度,从而提高了算法的效率.     

多元质量特性的贝叶斯均值向量控制图

贝叶斯控制图主要研究小样本情况或非稳定状态下的质量控制问题，是质量控制理论中的一个新的研究领域。通过建立多元质量特性控制的数学模型，利用多重线性模型的贝叶斯推断理论，证明了正态-Wishan先验分布下多元质量特性模型的预报分布为多元t分布，并根据多元t分布与F分布之间的关系，构造了F统计量和相应的贝叶斯均值向量控制图。     

基于贝叶斯推断的时变流场下污染源反演

对5个不同位置的污染源分别做污染物扩散数值模拟,将其计算结果作为测量浓度;利用伴随方程计算时变流场下传感器的模拟浓度。通过测量浓度和模拟浓度构造似然函数,基于贝叶斯推断计算了在时变流场下污染源参数的后验概率。结果表明：污染源参数反演的误差取决于测量浓度与模拟浓度之间的误差。当污染源与传感器的距离较远时,污染源参数的后验概率呈较宽的分布,反演结果具有较大的不确定性;当污染源与传感器距离较近时,反演结果的不确定性得到了显著的降低。此外,还讨论了反演污染源参数时,利用污染物扩散不同阶段的测量数据对反演效果的影响。发现利用扩散初始阶段的测量浓度反演源位置,可以得到比利用稳定阶段数据时更小的反演误差和后验概率标准差,但效果没有得到显著提升。     

基于贝叶斯最小二乘支持向量机的时用水量预测模型

为解决传统最小二乘支持向量机采用交叉验证确定模型参数耗时长的问题，提出利用贝叶斯置信框架推断最小二乘支持向量机的模型参数．通过第1级推断确定最小二乘支持向量机的权矢量w和偏置项b，通过第2级推断确定模型的超参数μ和ξ，通过第3级推断的模型对比自动选择核函数的系数．根据时用水序列具有周期性和趋势性的特点，建立了基于贝叶斯推断最小二乘支持向量机的时用水量模型．实例分析结果表明，与基于传统最小二乘支持向量机和基于BP网络的预测模型相比，基于贝叶斯最小二乘支持向量机的时用水量预测模型的建模速度更快，预测精度更高．     

基于trn L-F序列数据利用贝叶斯法推测罗汉松科的系统发育

以黑松和Agathis australis为外类群,基于罗汉松科42种植物的叶绿体trnL-F序列数据通过贝叶斯法对该科的系统发育进行了推测.结果显示:①Phyllocladus为单系分支,位于罗汉松科的基部,是罗汉松科所有其余成员的姊妹群;②Nageia嵌套在罗汉松科内,同罗汉松属、Afrocarpus及Retrophyllum的关系较为密切;③Dacrycarpus为单系群且处于姊妹分支Falcatifolium-陆均松属的基部;④Lagarostrobs franklinii和Manoao colensoi应置于同一属Lagarostrobs内;⑤支持成立Halocarpus和Lepidothamnus属;⑥赞同Microstrobos和Microcachrys两属亲缘密切的观点.     

基于贝叶斯统计推理的复杂场景边缘检测

复杂场景图像存在大量的噪声和纹理干扰,传统边缘算子的检测效果不理想.为此,文中提出一种基于贝叶斯统计推理理论的多信息融合边缘检测算法.该算法融合了梯度算子、拉普拉斯算子以及两级均值比率(ROA)算子的输出响应;通过最大类间属性互信息对特征属性进行最优离散化;利用非参数直方图方法估计类概率密度函数;并通过贝叶斯风险最小化原则实现边缘检测.试验中该方法的Bhattacharyya误差界为0.093,工作特性曲线下的面积(AUC)达到0.958,证明了该算法的有效性.与经典算子检测结果的比较也表明,该算法能够有效地克服图像中的噪声和纹理干扰.