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,...     

基于互信息和测度学习信度网结构

交叉熵是对一个分布与其近似分布的接近程度的度量。在许多关于信度网结构的学习文献中,都将交叉熵作为检验算法学习效果的一个指标。笔者直接从交叉熵最优这一指标出发,在分析已有测度的基础上,提出了一个新的测度－互信息和测度,并证明了该测度的可分解性质。最后,给出了利用互信息和测度进行信度网结构学习的两种启发式搜索算法。     

具有缺失数据的贝叶斯网络结构学习算法研究

基于随机搜索思想提出了一种具有丢失数据的贝叶斯网络结构学习算法BPMHS,该算法同时进行多个Metrpolis—Hasting抽样,构建多条并行的收敛于Boltzmann分布的马尔可夫链．算法首先利用节点之间的互信息和EM算法对网络结构和丢失数据进行初始化;然后将每一次迭代中所有的MHS看成一个总体,并据此得到产生下一代个体的建议分布．算法通过使初始值和建议分布尽可能接近其平稳分布,有效地提高收敛速度．用于ASLA的宴验结果柏．,袷证了簋法具有良捍的学习精序舞口学习特奎．     

基于MMPC-FPSO 贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。     

带有小参数的抛物型方程的多过渡点差分格式

讨论两类时间上带有小参数的抛物型方程,介绍了多过渡点的选取方法,依此法构造不等距差分格式并证明新的差分格式关于摄动参数是一阶一致收敛.多过渡点差分格式的收敛阶与Bakhvalov法相同,高于Shishkin网格法,但计算量比Bakhvalov法小得多,在实际应用中相当有效.     

基于GAN的医学图像仿真数据集生成算法

基于生成对抗网络(generative adversarial networks,GAN),提出了面向肝脏肿瘤CT图像仿真数据集生成深度学习算法.首先,将CT图像数据文件进行格式解析,单独保存为PNG格式的图像文件;然后,将肝脏病变区域统一标注为白色,并结合肝脏CT原图组成配对图片;最后,用生成对抗网络的pix2pix架构仿真生成病变肝脏图像.为将生成图像与目标图像进行定量分析、比较,本文采用了峰值信噪比和结构相似性作为模型的评价指标.实验结果表明,本文算法所生成的肝脏肿瘤CT仿真数据集的平均峰值信噪比为64.72dB,平均结构相似性为0.9973,证明了所生成的仿真图像数据有着非常高的真实度.     

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.