基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于贝叶斯网络的学生学习评价模型研究

在学生模型中，学生学习评价是一个重要的部分，也是个性化教学中进行学习组织的一个很重要的依据。本文采用了贝叶斯网络中模糊逻辑的思想，运用模糊变换实现对学生认知能力的诊断及评价，评价学生对所学知识项的掌握程度。     

隐马尔科夫多元线性回归模型中未知隐状态个数的贝叶斯模型选择

针对隐马尔科夫模型在进行马尔科夫链蒙特卡洛方法(MCMC)迭代时隐状态向量不停改变的问题.首先,使用贝叶斯方法研究隐状态个数未知的隐马尔科夫多元线性回归模型,对偏差信息准则计算方法进行改进.其次,使用MCMC算法对模型进行后验模拟,计算模型的DIC值.最后,通过比较不同隐状态个数模型的DIC值实现了贝叶斯模型选择的目的.     

基于贝叶斯方法的知识发现

贝叶斯方法是概率统计学中一种很重要的方法。贝叶斯网络就是根据各个变量之间概率关系用图论方法建立的模型,本将概率统计的贝叶斯规则应用于知识发现,建立图论模型进行数据挖掘,章最后应用贝叶斯网络对于实际的数据库进行知识发现,其结果说明了这种方法的有效性。     

用动态贝叶斯网络构建协同过滤推荐的新方法

提出了一种基于动态贝叶斯网络的隐马尔可夫协同过滤推荐的新方法。基于隐马尔可夫模型的协同过滤方法模拟用户在浏览网页时的行为,根据用户浏览网页时的行为建立最近邻集合。在基于隐马尔可夫协同过滤推荐技术的基础上,构造基于DBN的推荐模型。当有新类型的数据加入时,用此模型来更新推荐模型。实验表明,此方法具有较高的推荐质量。     

基于贝叶斯Logit模型的死亡事故发生概率分析

为了进一步提高交通安全水平,揭示死亡交通事故发生概率的主要影响因素,通过对2013—2018年淄博市境内伤亡交通事故数据的统计描述与深度解析,采用Logit回归的方法对交通事故死亡发生概率及其影响因素进行分析和描述,建立了贝叶斯Logit事故分析模型;利用极大似然法对模型初始参数进行估计,并基于吉布斯采样的蒙特卡洛马尔科夫链算法对模型参数后验分布进行迭代计算和标定;根据接收者操作特性曲线对模型拟合优度进行评价。研究结果表明:(1)凌晨时段(0:00-7:00)发生死亡事故的概率最高,早高峰时段(7:00-10:00)发生死亡事故的概率是凌晨时段的0.83倍;(2)发生严重的交通事故时,单方事故出现人员死亡的概率是多方事故的2.08倍;(3)雨天出现死亡交通事故的概率是晴天的1.12倍,雪天发生死亡交通事故的概率是晴天的0.34倍,并且死亡事故的发生概率随着能见度的降低而升高。     

动态贝叶斯网络在战争身份识别中的应用

在战争身份识别中运用贝叶斯网络时,系统参数不能做到及时调整,动态贝叶斯网络可以解决这一问题,通过建立网络模型,引入时间因素,对系统参数进行分析与后验概率推理,利用隐马尔科夫模型对推理进行仿真实验.通过动态贝叶斯网络在战争身份识别中的使用为指挥员在有限的时间内作出有效的评估识别提供了依据,具有重要的实战意义.     

慕课背景下高校图书馆服务创新的思考

介绍了大规模开放在线课程慕课,从2008年由加拿大学者提出,到2012年,仅仅四年即风靡全球,因其具有两个显著的特点,即开放共享和可扩张性,能将人类教育的公平自由与知识的开放无国界性充分发挥出来;同时慕课的出现和发展亦有其必然性.慕课的出现为高校图书馆服务创新提出了挑战,图书馆要与时俱进,利用自身资源优势,对慕课的制作及在线推广提供种种有力支持,创新职能,拓展服务阵地.     

贝叶斯网络中基于联合树算法的学生模型更新方法研究

在已建立的覆盖型贝叶斯网络学生模型的基础上,用联合树算法来实现推理更新.通过建立Moral图、构造三角化图、区分团节点,然后将学生模型转化为联合树的结构,最后通过消息传递来完成整个学生模型的更新.     

结合定性知识的定量贝叶斯模型外推方法 

针对新设计域中试验数据有限而难以进行模型验证的问题,提出了定性知识与定量贝叶斯推理相结合的模型外推方法.其中,量化方法用于将领域专家意见等定性知识转化为先验概率;贝叶斯网络及限定抽样范围的蒙特卡罗方法用于定量推理,并通过贝叶斯区间假设检验的贝叶斯可信度提供模型外推结果.对Sandia国家实验室某静态力学结构的研究表明,该方法能有效实现新设计域不确定性系统的模型可信度外推.     

基于隐马尔科夫度量场模型的车辆检测和跟踪

针对多目标检测和跟踪过程中常发生的合并和分裂现象,提出一种对不同运动目标假设不同的运动模型,并基于隐马尔科夫度量场(HMMF)的检测和跟踪算法.为了更准确地估计目标的运动参数,还提出了一种简单有效的单目相机标定算法.仿真结果表明,文中算法对遮挡不敏感,即使在发生遮挡、合并或分裂情况时也能很好地跟踪运动目标.     

智慧学习环境中基于贝叶斯网络构建学生模型的研究

智慧学习环境是当前教育技术学界的一个前沿研究领域,从C/S架构的智能学习系统发展到B/S架构的智能化网络学习环境,学生模型仍然是其最核心的功能模块,是学生自我导向式学习情境中构建智慧学习环境的关键因素.本文采用文献分析法和实践调研法,从学生模型的分类、数据结构和建模方法等几个方面,对国内智能网络学习环境中学生模型的研究现状进行了较为详细的研究,并通过梳理近年来关于静态学生模型和动态推理模型的研究,提出了智慧学习环境中基于贝叶斯网络构建学生模型的框架,期望为智能学习系统中学生模型的理论研究和实践发展提供可借鉴的参考和经验.     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．     

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析,既可以使用户减少等待时间,同时也能减轻网络负载.依据Web网站的层次结构特点,首先设计了基于Hash表的反向索引结构来提高数据的预处理速度;在此基础上,利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后,对模型进行了实验分析,结果表明在适当的预测准确率前提下,模型能够有效减少在预测时所需的候选网页数量,并大幅提升预测效率.     

一个基于知识的目标跟踪信息处理系统

提出了一个基于知识的目标跟踪信息处理系统，系统采用结构化的黑板模型．领域知识不仅用来指导高级的目标识别与跟踪，也用来指导低级的图像分割．研究了一种不确定性知识的表示方法和推理模型，知识用产生式规则和过程表示．实验表明，所提出的方法是切实可行的．基于知识的目标跟踪系统在目标识别、跟踪精度、抗干扰能力和自适应能力等方面比传统方法优越．     

基于改进贝叶斯模型的四川省主要河流水质评价

提出了改进的地面水水质评价贝叶斯模型(Bayes),将抽样误差正态分布原理用于估计Bayes公式中的似然概率.改进的贝叶斯模型应用于四川省8条主要河流12个代表站点的多年水质监测数据的评价,并分别对1971-1988年和1990-2004年的四川省主要河流12个代表监测站点的水质评价结果进行分析.评价结果表明改进的贝叶斯模型较为全面、客观地反映了四川省主要河流的多年水质状况特征和污染状况,为河流水质评价提供了一条新途径.     

基于模型诊断的贝叶斯解释及应用

在基于模型诊断的基础上，建立了贝叶斯模型．该模型首先假设系统的所有状态都是可能发生的，并对系统中的各个元件设定一个先验概率．当系统的观测与预期不符合时，利用最小冲突集的概念得到系统可能的状态．之后根据各个系统状态的对应概率计算出元件发生故障的后验概率，该后验概率本质上是一个边缘概率分布，它在数值上表示了元件发生故障的可能性，确定了故障查找顺序．用一个数字故障电路的实例验证了该方法的有效性，井对其存在的问题进行了讨论．     

基于贝叶斯理论的员工配置优化模型

员工配置以人力资源评价为基础,随机现象是人力资源评价面临的不确定信息之一.为提高人力资源评价的合理性,将贝叶斯理论应用于员工配置过程,建立相应的优化模型.     

基于ARMA-稀疏贝叶斯模型的汇率预测研究

文章基于ARMA模型和稀疏贝叶斯模型,提出了ARMA-稀疏贝叶斯模型,充分利用ARMA模型和稀疏贝叶斯模型在线性模型及非线性模型预测中的优势,将收益率序列分解为线性自相关主体和非线性残差2个部分,然后用ARMA模型对线性自相关主体数据进行预测估计,用稀疏贝叶斯模型对非线性残差进行预测估计,最后合成人民币兑美元日汇率中间价序列预测结果。研究结果证明,运用所建模型预测人民币日汇率中间价和上证指数收盘价,均取得了较好的效果。     

基于改进HMM模型的组合服务故障诊断方法

针对现有组合Web服务诊断模型故障诊断准确率普遍不高的问题，提出一种新颖的基于改进隐马尔可夫模型(Improved-HMM)的故障诊断方法.首先，从组合服务监测数据中提取多维特征序列训练HMM模型.训练过程中，考虑到基于BW的方法仅在某观测条件下进行参数评估，获得的参数准确度不高，提出基于贝叶斯估计的学习方法，得到更客观的参数;进一步，基于改进的HMM模型计算当前特征序列对应的各类故障类型发生概率，推断最有可能的故障类型.实验结果表明，提出的方法具有较高的诊断率和较低的漏报率，适合在网络环境中进行实时故障检测.