一种自适应谐波叠加的复调音乐主旋律提取新方法

随着音乐数量的迅速增加,对音乐进行数字化的处理已经成为必然趋势.主旋律反映了音乐的主要思想,提取主旋律在制作计算机音乐,检索分类,哼唱识别等领域具有广泛的应用价值.本文提出一种自适应谐波叠加的复调音乐主旋律提取算法.首先,通过声源分离预处理,通过判别基频最小稳定方差改变压缩因子,自适应叠加谐波构建显著函数;然后,对显著函数构建的基频片断采用随机森林模型进行人声检测,组合所有人声帧的最大显著度频率得到音乐的主旋律序列.实验表明,在MIR-1K数据集上得到的结果在高信噪比情况下有显著提升.     

超贝叶斯图模型及其联结树的构建

不确定性数据模型是在复杂的环境中对不确定信息及其之间关系的一个比较准确的描述,能有效地处理复杂的实际问题,如贝叶斯网、粗糙集等传统的不确定数据模型.本文提出一种超贝叶斯模型,用来表示复杂数据间的相关性以及数据间不确定性;分析了超贝叶斯图条件独立的性质;从而给出超贝叶斯图的联结树的构建方法及算法;基于联结树进行概率化简,...     

基于贝叶斯理论的单音音乐节奏提取

音频音乐信号的特征分析具有广泛的应用前景,如音乐检索、乐器识别等。本文先引入贝叶斯节奏模型,然后用基于贝叶斯理论的序列蒙特卡罗方法,推断音乐片段的小节和节拍的位置。对不同乐器演奏的、不同音乐速度的、不同节奏模式的音乐,本方法均能有效地提取节奏特征。     

基于T-SBL的多跳频信号参数估计

针对多跳频信号参数估计问题,利用跳频信号频率在时频域上的稀疏性,在块稀疏贝叶斯学习(b SBL)的基础上,提出了一种T-SBL稀疏学习算法,通过重构后信号的时频图完成跳频信号的跳周期、中心时刻、跳时刻等参数的估计.首先将接收信号进行重叠分割得到观测矩阵;然后根据跳频信号时频域的稀疏性建立信号的多测量(MMV)稀疏模型,在块稀疏贝叶斯学习算法的基础上将多测量模型转化为单测量(SMV)模型;最后通过重构后信号的清晰时频图进行参数的快速估计.为了进一步提高低信噪比下的估计性能,采用形态学滤波的方法对获得的时频图进行修正.理论分析和仿真实验表明了该算法的有效性和良好的估计性能.     

一种转子启停车过程的基频振动分量提取方法

针对传统信号处理算法在分离转子启停车过程中包含复杂非平稳谐波分量的振动响应信号时存在计算量大、对宽频信号提取能力差等问题,基于零相移滤波和相位解调原理,提出了一种转子启停车过程中的基频振动分量提取方法。该方法通过一次非线性相位解调计算,把启停车信号各分量在频带上进行重新分布,这样宽频的基频分量被解调到可见的窄带上,仅在频域即可实现基频分量与其他高次谐波分量的分离,再通过零相移滤波即可提取这个窄带分量。仿真计算和实验数据分析结果表明:与传统的信号处理算法在处理转子启停车信号上相比,提出的方法具有原理简单易实现、计算速度快、受相邻分量带宽限制小、滤波器参数能够从频谱上直接选取等优势,同时该方法提取出的基频振动分量波形平整,无相位偏移,满足进一步的分析计算,为转子启停车信号的快速提取提供了一种新的方式。     

混合式朴素贝叶斯分类模型

为了降低朴素贝叶斯分类模型的独立性假设约束,提出一种混合式朴素贝叶斯分类模型(MBN:Mixed Naive Bayes)。通过分析贝叶斯定理,把条件属性集合划分成若干个独立的属性子集,用树增广朴素贝叶斯分类对属性子集分别进行分类学习,通过公式进行整合。将该模型算法与朴素贝叶斯及树增广朴素贝叶斯进行实验比较,实验结果表明MBN分类器在多数数据集上具有较高的分类正确率。     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

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。     

一种基于贝叶斯网络和博弈论的信息融合模型

针对多源信息融合问题,以博弈思想为指导构建博弈信息融合模型,在贝叶斯网络表示的基础上提出用于博弈融合模型的融合算法.在具体算法的研究中,按照博弈信息融合模型的要求,对原有的贝叶斯网络算法中节点判断算法和Parzen窗融合算法进行改进并将两者相结合,提出了博弈融合态势评估算法,并从理论上分析了融合算法的最坏时间复杂度.将博弈信息融合模型及其贝叶斯网络算法应用于交通状态预测中,针对交通车流量、车速、车流密度等多源动态问题,构建合适的贝叶斯网络模型,实现交通状态的预测,给出预测的仿真结果.     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。     

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。     

贝叶斯诊断网络平台的开发与实现

针对贝叶斯诊断网络在实际应用时需要对具体对象建立相应诊断网络的问题,开发了一个贝叶斯诊断网络平台.重点讨论了网络的数字化、网络拓扑顺序的确定和赌轮选择等平台实现的3个关键问题.采用数字形式来描述网络的拓扑模型,刻画了网络的全部信息.节点间的关系则用关系矩阵简洁、直观地予以表达,并据此确定网络的拓扑顺序.利用赌轮的选择功能,实现了网络节点状态的实例化.该平台简单易用,为网络的建立和推理提供了一个有效、便利、通用的运行环境.利用该平台为天津石化炼油厂的一台烟机建立了贝叶斯诊断网络,实例表明,该平台能够用于贝叶斯诊断网络的构建和推理,也为贝叶斯诊断网络的工程应用提供了一个有力的工具.     

基于Bayesian的二叉树期权定价模型

衍生证券中期权的合理定价是困扰着投资者的一个难题,在用二叉树模型进行定价时,模型中波动率的周期间隔是很难确定的,但又是必须面对的问题,相关公司都有自己独到的确定时期间隔的方法.一般对前期的信息和类似股票或相关证券的信息被忽略,这样的处理使我们不能充分利用相关的信息从而不能更加准确的对期权进行定价.利用Bayesian理论和二叉树模型,综合先验信息和人们对期权的已有知识,对期权进行了定价.探讨了基于Bayesian的Binary-tree期权定价模型,使股票的收益率服从正态分布.     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据、不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具,文后给出一个基于贝叶斯网络的学习的实例。     

一种对称损失函数下几何分布参数的Bayes估计

研究在一种对称损失函数下,几何分布参数的Bayes估计、多层Bayes估计,并讨论Bayes估计的可容许性及置信下限.     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据,不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具。文中给出一个基于贝叶斯网络的学习的实例。     

正态均值的Bayes估计

本文在已知正态分布N(θ,σ~2)的方差α~2以及均值θ的下限θ_L和上限θ_U的条件下,针对均值θ的点估计问题,给出一种构造先验分布的方法,由此所求得的Bayes的估计在Bayes准则下优于通常经典统计中的估计x。     

基于近似贝叶斯计算的HMM隐状态估计

为了得到似然函数不解析可得的 HMM 隐状态估计,将HMM 隐状态估计看成一个贝叶斯最优滤波问题,采用基于近似贝叶斯计算的离子滤波算法对此类问题进行求解,从而解决了一些常用算法如卡尔曼滤波、扩展卡尔曼滤波及离子滤波等都不能解决的似然函数不解析可得的滤波问题。     

关于两种贝叶斯模型的一致性比较

主要讨论两样本情况下两种不同贝叶斯估计方法之间存在的差异.方法一是假定x_i（i=1,2）关于θ_i（i=1,2）条件独立;方法二假定x₁、x₂无条件独立.在考虑θ1的统计分析时,研究这二种方法的结果有无明显的差别.由实际分析可以得出结论：用两种模型对θ₁进行贝叶斯估计差异不大.