基于全条件独立的贝叶斯网络MPD-JT构造算法

针对求解贝叶斯网络最大主子图存在的NP(non-deterministic polynomialtine)难问题,提出了一种基于全条件独立结构的最大主子图连接树（maximal prime sub graph decomposition junction tree, MPD-JT）构造算法。该算法通过道义图上的全条件独立结构得到贝叶斯网络最大主子图,并利用构成这些最大主子图的节点作为簇节点构造连接树,避免了三角化过程,而且在求解过程中通过删除一些符合条件的点,大大降低了算法复杂度。给出了算法的理论证明,通过具体案例分析验证了算法的有效性。     

基于改进BIC评分的贝叶斯网络结构学习

引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

DBN结构学习度量分解性能分析

针对动态贝叶斯网络(DBN)结构学习中涉及的度量分解问题,提出了DBN度量分解后的相关性能。首先,细化了DBN的贝叶斯信息度量(BIC)及贝叶斯-狄里克莱(BD)度量公式,通过表达式的分析,讨论了分解后的相关性质,进而提出了由分解公式提供给DBN结构学习的相关性能。其次,通过设计的性能分析仿真实验,验证了提出的若干设想,即将BN结构学习算法移植到DBN结构学习的可行性及分解降低算法复杂度等问题,并提出了寻找DBN快速结构学习算法的有效思路。     

基于贝叶斯网络的停车行为分析

建立贝叶斯网络模型进行停车行为分析.应用K2算法和贝叶斯参数估计方法,进行了贝叶斯网络的结构和参数学习,建立了停车行为分析贝叶斯网络,应用联合树推理引擎推断在出行目的、停车费率等因素的影响下停车行为的变化.结果表明,贝叶斯网络能够直观表现决策行为与其影响因素之间的交互作用机理,并方便进行决策行为的敏感性分析,同时模型具有较高的精确度.可以为政府和规划部门深入了解居民的停车选择行为和停车决策机理提供依据.     

基于联结树的贝叶斯网的推理结构及构造算法

BN(贝叶斯网)被认为是人工智能研究中不确定性知识表示和推理的重要工具，广泛应用到复杂系统的建模等领域，成为人工智能研究的热点问题之一。然而直接在BN上精确推理与近似推理都被证明是NP完全的。因此把在BN上推理转变为在SS(二次结构)上的推理。SS是由JT（联结树)与BP(信念势)组成，构造JT大体分为三步即：把BN对应的有向无环图G转变为一个道义图G^M；把G^M转变为弦化图G^T，识别和选择G^T图的圈；连接圈和边建立JT。因而提出了建立G^M、G^T与JT的方法原理和算法。最后通过案例分析了G^M、G^T与JT构造过程。     

A self-similar local neuro-fuzzy model for short-term demand forecasting

This paper proposes a selfsimilar local neurofuzzy （SSLNF） model with mutual informati onbased input selection algorithm for the shortterm electricity demand forecasting. The proposed self similar model is composed of a number of local models, each being a local linear neurofuzzy （LLNF） model, and their associated validity functions and can be interpreted itself as an LLNF model. The proposed model is trained by a nested local liner model tree （NLOLIMOT） learning algorithm which partitions the input space into axisorthogonal subdomains and then fits an LLNF model and its associated validity function on each subdomain. Furthermore, the proposed approach allows different input spaces for rule premises （validity functions） and consequents （local models）. This appealing property is employed to assign the candidate input variables （i.e., previous load and temperature） which influence shortterm electricity demand in linear and nonlinear ways to local models and validity functions, respectively. Numerical results from shortterm load forecasting in the New England in 2002 demonstrated the accuracy of the SSLNF model for the STLF applications.     

量子K最近邻算法

为减少经典K最近邻算法的时间复杂度,提出了量子K最近邻算法(QKNN)。介绍了QKNN算法的构造步骤,然后为减少量子计数子程序的运行时间,进一步将固定的K值修改为可变的k,形成改进的k可变的量子最近邻算法(QkvNN)。为弥补由于最近邻个数K变化带来的分类错误率上升的影响,在Boosting算法框架下,用三个由QkvNN算法训练的弱分类器,去构造了一个强分类器,从而提高单独运行QkvNN的分类精度。在此算法中,由于利用了量子计算的强大能力,使得经典K最近邻算法的时间复杂度从O(N)减小为O(N)。     

Construction of compact RBF network by refining coarse clusters and widths

It is known that centers, widths, and weights are three mainly considered factors in constructing a radial basis function (RBF) network. This paper aims at constructing a compact RBF network with two main steps. In the first step, the coarse clusters computed from triangle inequalities are refined to obtain the locations of centers by the defined maximum degree spanning tree (MDST). Meanwhile the coarse widths are obtained. In the second step, a learning algorithm referred to as anisotropic gradient descent method is presented to further refine the above coarse widths. Experiments of the proposed algorithm show its great performance in times series prediction and classification.     

一种量化因子自适应学习量化训练算法

深度神经网络因参数量过多而影响嵌入式部署,解决的办法之一是模型小型化（如模型量化,知识蒸馏等）。针对这一问题,提出了一种基于BN(batch normg lization)折叠的量化因子自适应学习的量化训练算法（简称为LSQ-BN算法）。采用单个CNN(convolutional neural)构造BN折叠以实现BN与CNN融合;在量化训练过程中,将量化因子设置成模型参数;提出了一种自适应量化因子初始化方案以解决量化因子难以初始化的问题。实验结果表明：8bit的权重和激活量化,量化模型的精度与FP32预制模型几乎一致;4bit的权重量化和8 bit的激活量化,量化模型的精度损失在3%以内。因此,LSQ-BN是一种优异的模型量化算法。     

基于矩阵分解和自适应图的无监督特征选择

在高维数据分析中,一个不可避免且棘手的问题是维度诅咒,因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此, 提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on robust matrix factorization and adaptive graph, MFAGFS), 实现在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。模型首先通过鲁棒矩阵分解可获得聚类标签, 将聚类标签和局部结构信息用来引导特征选择过程, 再从特征选择的结果中自适应地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务的相互作用, MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。然后,详细阐述了算法优化求解方法, 并证明了算法的收敛性。最后,在6个公开数据集上进行试验对比分析, 参数敏感性分析, 验证了所提模型的有效性。实验结果表明, 所提的方法与其他方法相比, 性能均有不同程度的提高。     

基于决策树和BN的自动驾驶车辆行为决策方法

交通环境中存在着众多影响自动驾驶车辆行为决策安全的不确定性因素, 准确并及时地处理不确定性因素对自动驾驶车辆安全至关重要。因此, 建立了以人工驾驶行为分类为基础的贝叶斯网络(Bayesian network, BN)行为决策模型。利用决策树分类算法对人工驾驶行为进行分类, 利用BN建模驾驶环境并生成最优驾驶动作, 此方法既可以及时地分析人类驾驶员行为类别, 又能够充分考虑驾驶场景中的不确定性因素。利用仿真工具PreScan设计仿真实验, 仿真结果表明行为决策模型能够给出安全、合理的自动驾驶车辆行为。     

基于Baldwin效应的自适应有性繁殖遗传算法及其仿真研究

为了解决传统遗传算法存在的局部搜索能力差、早熟收敛、随机漫游等问题,提出一种基于Baldwin效应的自适应有性繁殖遗传算法。该算法模拟自然界普遍存在的有性繁殖现象,引入个体亲子间的适应度信息传递,并按照个体的性别差异以及种群间竞争与协作关系,对有性遗传操作进行自适应调整。同时,借鉴生物学中的Baldwin效应理论,引导个体后天正向或反向学习。通过与标准遗传算法和自适应遗传算法的仿真实验比较,证明了这种改进遗传算法的有效性。

Abstract：

Aimed to overcome the problems of traditional Genetic Algorithms,such as poor capabilities in local search,premature convergence,and stochastic roaming,a sexual reproduction adaptive Genetic Algorithm based on Baldwin effect was presented.The proposed algorithm simulated sexual reproduction and enables the transmission of fitness information from parent individuals to the offspring.Based on competition,cooperation,and innate difference between two sexual subgroups,the proposed algorithm adaptively adjusted sexual genetic operators.Meanwhile,inspired by the acquired reinforcement learning theory based on Baldwin effect,the proposed algorithm guided individuals to forward or reverse learning to adapt individuals＇ acquired fitness.Compared with Standard Genetic Algorithm （SGA） and Adaptive Genetic Algorithm （AGA） by numerical simulations,the proposed algorithm is proved more effective and advantageous.     

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。     

基于GA的知识获取方法及在故障诊断中的应用

从优化角度出发,定义一个新的指标函数,并提出一种基于遗传算法的机器学习方法,该方法能够从学习实例中总结出有用的知识。针对该优化模型,用一种新型的遗传算法——带有染色体性别的遗传算法(GACD)对其进行优化,并将该方法应用于旋转机械故障诊断知识获取过程,仿真实验结果说明该方法是比较有效的。     

基于遗传算法和种子概念的本体概念提取算法

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体(半)自动构建的一项技术。通过研究中文本体学习这一领域存在的问题,提出了基于遗传算法和种子概念的本体概念提取算法。介绍了当前基于非结构化数据源的本体概念主要提取算法,在遗传算法和种子概念的基础上,设计了一种基于非结构化数据源的本体概念提取算法。实验证明,本算法在特定领域本体学习方面取得了良好的效果。     

基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。     

求解带时间窗车辆路径问题的有效混合PBIL算法

针对带时间窗车辆路径问题（vehicle routing problem with time windows， VRPTW）， 提出了混合种群增量学习算法（hybrid population-based incremental learning algorithm， HPBIL）， 用于同时最小化车辆数和总行驶距离. 在HPBIL中， 通过改进标准的PBIL概率模型以提高算法的全局探索能力， 同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力. 仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。