基于小数据集下BN建模的面部表情识别

针对面部表情识别过程中获得的特征样本稀少的问题,提出了一种基于小数据集下贝叶斯网络(BN)建模的面部表情识别方法。首先提取面部表情图像的几何特征和HOG特征,经特征融合和归一化等处理构成动作单元(AU)标签样本集,其次提出了用于面部表情识别的BN结构,并将定性专家经验转化为BN条件概率之间的约束集合,随后引入凸优化最大化求解完成BN模型参数的估算,最后利用联合树推理算法识别出面部表情。实验结果表明：在小数据集条件下,与支持向量机(SVM)、Adaboost和卷积神经网络(CNN)等人脸表情分类方法相比,该方法能够取得更准确的面部表情识别结果。     

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。     

一种基于小数据集的贝叶斯网络学习方法

 贝叶斯网络是用来表示不确定变量集合联合分布的图形模型,反映了变量间潜在的依赖关系.从完备数据集和不完备数据集上学习贝叶斯网络是研究的热点之一,要求有大数据集.针对实际应用中常常只能获得小样本数据,提出了基于Bootstrap抽样的网络结构学习的遗传算法,实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性.     

小数据集下基于DRKDE-ICSO 的BN结构学习

为了解决在小数据集条件下进行数据拓展时产生数据高度相似的问题,提出了基于降维核密度估计的小数据集拓展方法,从而得到较为准确的拓展数据。另外,针对鸡群优化算法求解效率低下和收敛性不足的问题,提出改进的鸡群优化算法进行结构学习:在雄鸡的位置更新公式中引入莱维飞行,使鸡群算法具有更强的跳跃能力;采用指数递减的动态调节惯性权重,以加速局部搜索和提高收敛速度;通过引入最优个体引导策略,增加找到较优位置的概率。实验结果表明,所提算法在小数据集条件下,BIC评分、准确率及汉明距离等指标均优于MCMC算法、BPSO 算法、CSO 算法、ADLCSO-I算法和SA-ICSO 算法。     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题,在考虑源域-目标域多种信息形式的情况下,提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用,在结构相似性的基础上,探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域...     

不确定条件下协同设计参数鲁棒优化方法

提出了不确定条件下基于广义动态约束网络(GDCN)的协同设计参数鲁棒优化方法.分析了协同设计中的参数不确定性,基于GDCN建立协同参数鲁棒设计方法框架;在同时考虑目标属性鲁棒和约束可行域鲁棒的前提下,建立了一种带偏好信息的协同设计参数多目标鲁棒优化(MORO)模型;并给出了MORO模型的优化求解流程.通过发动机设计实例,验证了该方法的有效性和可行性.     

序约束下ARCH模型的最小二乘估计

研究序约束条件下自回归条件异方差(ARCH)模型的统计推断. 给出ARCH(q)模型中非负参数(α₀,α₁,α₂,…,α_q)的一种最小二乘估计的准则函数, 证明了由此得到参数估计的强相合性. 而且通过讨论在序约束(α₁≥α₂≥…≥α_q)下估计的准确形式及其渐近性, 得到了检验统计量的形式, 从而解决了在参数空间有序约束条件下的假设检验问题.     

基于约束网络的多学科协同设计方法

针对多学科设计问题中约束条件过多过于复杂的情况 ,为了保证设计参数一次选取成功 ,提出了一种基于约束网络的多学科协同设计方法。该方法利用约束网络模型收集分属于不同学科的约束条件 ,并在设计期间监控这些约束关系。提出了反映协同设计需求的数学模型 ,设计了一个通用的一致性求解算法框架 ,并利用了基于区间代数的一致性算法。该方法能够在设计的初期就监控设计过程 ,有效地预报冲突。将该方法应用到铁路车辆的转向架设计中 ,已证明了它的有效性。     

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.     

基于参数化水平集法的约束阻尼结构动力学拓扑优化

约束阻尼(CLD)结构拓扑优化是轻量化设计下实现振动与噪声控制的有效手段.结合约束阻尼结构的有限元模型,以前两阶模态损耗因子及其加权最大化为目标函数,以参数化水平集函数的扩展系数为设计变量,以约束阻尼材料用量为约束条件,建立了基于参数化水平集法(PLSM)的拓扑优化模型.基于伴随向量法推导了目标函数对设计变量的灵敏度,...     

改进的EM算法及其在防洪决策中应用

在给定贝叶斯网络结构情况下,利用EM算法及改进的EM算法对防洪决策贝叶斯网络进行参数学习,改进的EM算法通过定义祖先集及计算该祖先集中变量的条件概率,降低期望计算的计算量．应用两种算法对防洪决策贝叶斯网络进行了性能比较,结果表明,改进的EM算法用于贝叶斯网络参数学习和决策支持具有较高的计算速度和精确度．     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器,即朴素(naIve)贝叶斯分类器、贝叶斯网络分类器和TAN(tree augmented Bayesian)分类器;发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的,因此在所有树形分类器中TAN分类器是最优的．     

基于半定性贝叶斯网络的建模方法研究

在定性贝叶斯网络的基础上,提出一种既包含定性符号信息,又包含概率分布定量信息的半定性贝叶斯网络,用以集成多个专家的知识和经验,通过一个与专家反复交互的过程,构建出相关问题领域的稳定的贝叶斯网络模型。提出利用区间数来统一表达多个专家的定性或定量的判断意见,给出了在半定性贝叶斯网络中进行概率推理的区间数传播算法,并通过算例验证其有效性。     

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．     

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．     

基于预测能力的贝叶斯网络结构学习

给出了变量之间预测能力的概念及估计方法,证明了预测能力就是预测正确率.在此基础上建立了基于预测能力的贝叶斯网络结构学习方法,并使用模拟数据进行了实验.实验结果显示该算法能够有效地进行贝叶斯网络结构学习.     

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 .