基于变分稀疏贝叶斯学习的DOA估计

针对传统稀疏贝叶斯学习的DOA估计算法复杂度较高、收敛速度较慢等问题,提出了一种基于变分稀疏贝叶斯学习的DOA估计算法。首先通过空间网格划分方式建立基于稀疏表示的DOA估计信号模型;其次在此模型基础上为未知待估计参数指定先验分布,得出稀疏信号的后验概率分布;然后利用变分贝叶斯学习算法,通过最小化KL散度寻求后验概率分布的近似分布;最后估计出未知参数,并得到信号的DOA估计值。根据MATLAB仿真图的结果,该算法成功估计出信号的DOA,并达到了预期效果。与传统稀疏贝叶斯学习算法相比,该算法单快拍下具有更高的DOA估计精度以及更快的收敛速度。     

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．     

基于MCMC的贝叶斯长记忆随机波动模型研究

针对贝叶斯长记忆随机波动模型的单步Gibbs抽样算法效率低下的问题,通过对模型在状态空间框架下的近似表示,将向前滤波向后抽样算法引入对波动变量的估计过程中,同时在贝叶斯框架下分析了模型参数的满条件后验分布,设计出Gibbs联合抽样算法.更进一步,在对模型进行参数估计的基础上,提出波动变量的向前多步预报分布的估计方法.模...     

一种PNN网络的EM训练算法

提出一种概率神经网络（ＰＮＮ）的ＥＭ（ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎ）训练算法．ＰＮＮ网为一四层前馈网,它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,它把输入的样本模式,经网络变换为输出的分类判决．其网络节点对应于贝叶斯后验概率公式的各个变量．此ＰＮＮ网络用高斯核的Ｐａｒｚｅｎ窗函数作为核密度函数,网络参数训练由ＥＭ算法实现,其学习方式为类间的监督学习和类内的非监督学习．实验表明了此网络及其学习算法在分类应用中的有效性．     

基于ABC-SMC回归算法具有观测噪声的AR(p)模型的参数估计

利用近似贝叶斯序贯蒙特卡洛(ABC-SMC)回归算法给出了具有观测噪声的AR(p)模型的参数估计.首先采用前p阶样本自协方差函数作为统计量,对具有观测噪声的AR(p)模型参数后验分布进行ABC-S M C抽样;然后利用回归模型对抽样进行调整,从而得到参数后验分布的样本;最后通过数值模拟,与ABC算法、ABC-SMC算法...     

带区间参数的贝叶斯网的近似推理

 用区间概率代替贝叶斯网中的点概率,将贝叶斯网扩展为带区间参数的贝叶斯网,使得贝叶斯网更具一般性.用规范概念的计算规则进行区间概率的计算,用Gibbs采样的近似推理法对带区间参数的贝叶斯网进行近似推理,计算后验概率.并给出近似推理的算法和实验,实验结果表明该方法是有效的.     

基于变分贝叶斯的视觉散焦光图像快速盲复原算法

为实现数字图像的高精度应用,降低外界光线对视觉成像的影响,提出一种基于变分贝叶斯的视觉散焦光图像快速盲复原算法。通过梯度和卷积处理,计算视觉散焦光图像后验概率期望,利用Sobolev空间函数分布方法提取最优初始图像和散焦光模糊函数先验概率。以变分贝叶斯的近似分布思想,无限逼近实际的后验概率;使用相对熵计算多个分布间距离,最大程度贴近真实值;将最小损耗代价函数输入双边滤波器内,即以近似清晰图像为指导图,剔除剩余高频噪声,得到最优图像盲复原结果。实验结果表明,所提算法盲复原后图像对比度高,边缘细节清晰,复原速度快,具有极高的应用价值。     

基于MCMC算法的多元线性回归变点模型的贝叶斯估计

基于MCMC算法,研究了多元线性回归系数变点模型的贝叶斯估计问题.首先由所有参数的联合后验分布得到各参数的满条件后验分布,再利用Gibbs抽样和MH算法相结合的MCMC算法对满条件分布抽取样本,最后得到变点位置及其他参数的贝叶斯估计.随机模拟结果显示用该方法估计各参数的效果较好.     

混合高斯分布的变分贝叶斯学习参数估计

针对常用于非高斯信号或系统建模的包含隐变量的混合高斯分布模型,提出利用一种变分贝叶斯学习算法进行模型的参数估计.该方法采用一个形式较为简单的自由分布,通过不断最大化边缘似然函数的下界,迭代地更新变分参数,直至近似分布足够逼近参数真实的后验分布,从而实现混合高斯分布的参数估计.文中推导了该方法对混合高斯模型参数学习过程.实验表明,变分贝叶斯学习可以有效实现高斯混合模型的多参数估计,相比采样方法更有工程应用前景.     

基于贝叶斯网络的实时行情预测算法

贝叶斯网络说明变量集合的联合条件概率分布为自然地表示因果信息提供了一种方法.用贝叶斯网络进行预测的核心问题是选择最符合样本数据的网络结构,即根据数据样本D和先验知识ζ找出后验概率户(Sh|D,ζ)最大的贝叶斯网络S.提出了一种基于贝叶斯网络的实时行情预测算法,并对其数据结构与实现方法进行了阐述.     

基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来,以鉴别信息定向后的网络为基础网,并设计相应的适应度函数和遗传算子,使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性,提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．     

无线传感器网络下的粒子滤波分布式目标跟踪算法

针对无线传感器网络环境下的机动目标跟踪问题,提出了一种描述目标机动加速度的目标状态空间模型,以此模型为基础开发出基于粒子滤波的单目标和多目标跟踪算法.基本思想是:在状态空间中通过寻找一组传播的随机样本来获得近似后验概率分布,并以样本均值代替积分运算,从而求得最小状态方差估计.仿真结果表明,所提算法可以较好地解决无线传感器网络环境下的机动目标跟踪问题,速度跟踪精度、机动加速度跟踪精度均较经典分布式粒子滤波算法分别提高20%、27%.     

贝叶斯网络学习算法研究

贝叶斯网络是一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。在对贝叶斯网络全面概述的基础上,深入研究了贝叶斯网络的结构学习。     

一种改进的BP算法在消费水平中的应用

通过对标准BP算法的改进,提出了一种L-M贝叶斯正则化优化算法,并把它应用到成都市居民消费水平预测中.经试验验证,L-M贝叶斯正则化的BP神经网络比相同条件下另外两种改进算法有更强的泛化能力,对居民消费水平有很好的预测效果.     

基于混合先验分布的贝叶斯因子分析模型

针对现有因子分析模型不能充分融合模型参数信息问题,通过研究因子分析模型的统计结构,构造了参数的混合先验分布;利用贝叶斯定理证明了模型因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布.实证研究表明:由于参数先验分布的作用,贝叶斯因子分析结果与传统的因子分析之间存在明显的差异.     

粒子滤波在线非线性非高斯视频追踪中的应用

讨论了非线性非高斯假设条件下视频追踪的问题和时序蒙特卡罗技术的最新发展,尤其是粒子滤波算法的发展,使采用一个目标状态的集合对贝叶斯模型的后验分布进行建模和跟踪成为可能,这个集合可以看作是这个后验密度函数的采样集合.提出的算法考虑了衰减问题及重复采样,实验结果表明,该方法能清晰稳定地进行视频追踪.     

Tutbo码并行译码算法的研究

Turbo码的译码算法大致可分为串行译码算法和并行译码算法两大类。串行译码算法如MAP、LOG MAP等的研究已比较深入。但并行译码算法 ,尚有许多问题有待探讨。研究了Turbo码的并行译码算法 ,将Turbo码译码和图论结合起来 ,利用Bayesian网络图模型描述了Turbo码的译码过程 ,基于模型使用Pearl的信息传播算法 ,建立了Turbo码的并行译码算法。并对所讨论的并行译码算法进行了模拟 ,模拟结果表明 :该并行译码在译码性能等方面比串行译码优越     

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测.通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果.     

基于粗集与贝叶斯分类的电信网络质量预测

在小样本的情况下，仅利用数理统计方法进行预测是不太适合的。在此先应用粗糙集的相关知识来确定影响电信网络质量的主要因素，然后运用贝叶斯理论将统计推断建立在后验分布的基础上，并给出了小样本试验数据的电信网络质量的预测。     

贝叶斯预测蜂群算法在无线传感器网络优化中的应用

针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。