基于Adaboost的行道线检测

行道线检测是主动安全和视觉导航技术中的一个重要研究课题.在总结前人检测算法的基础上,设计了基于Adaboost算法的行道线检测方法.Adaboost算法作为一种新型的机器学习算法,可以在比随机预测略好的弱分类器基础上构建高精度的强分类器.该算法简单可靠、学习效率高,较好地解决了实时检测系统中速度和精度的矛盾.实验结果表明该方法有较好的检测效果.     

Logistic回归模型的Bayes分析

本文应用Bayes观点讨论了logistic模型中的参数估计问题。     

成败型系统变总体下的Bayes可靠性试验鉴定方法

提出了一种成败型系统变总体下的Bayes可靠性试验鉴定方法.该方法依据产品研制过程中不同阶段的试验数据,建立了产品可靠性的动态参数模型,以此描述产品可靠性的变化趋势,并对正样阶段的产品可靠性进行预测,利用最大熵法给出了产品可靠性的验前分布,最后结合产品少量的现场试验数据,对正样阶段的产品可靠性做出了Bayes统计决策.通过算例对比分析,该方法很好地解决了小子样产品的可靠性试验鉴定问题.     

基于AdaBoost的神经元形态分类的研究

根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽舍分类器分类精度提升的集成学刁算法选取基分类器,其次利用分类过程中生成样本的孱升权值来调整前K次（K〉1）被错误分类样本的权重,并提留双重阎值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。     

熵损失函数下广义指数分布的可靠性估计

在广义指数分布场合下, 讨论了其参数、可靠性指标的估计及性质. 基于熵损失函数, 在共轭先验分布下, 通过对分布函数进行变换, 获得了该分布参数、可靠性指标的 UMVUE、最小风险同变估计、Bayes 估计和经验 Bayes 估计, 并证明了形如 [cT(x) + d]^-1 的一类估计的容许性. 最后运用 Monte-Carlo 方法对各种估计的 MSE 进行了模拟比较. 结果表明, 经验贝叶斯估计精度较高.     

基于Bayes network含失效节点的网络可靠性评估

针对Bayes network (BN)能很好地表示变量的不确定性和相关性, 并能直接进行不确定性推理的优势, 提出了基于BN含失效节点的网络可靠性评估方法. 建模方面, 给出了通过节点分割去环构建有向无环图及条件概率表的具体方法; 推理方面, 通过节点消隐, 减小BN规模, 有效降低推理复杂度. 分析了算法复杂度, 并通过算例证明了算法的有效性和适用性. 由于BN建模及推理的灵活性, 该方法可研究同时含节点失效、共因失效的网络可靠性, 况且通过BN推理除得到网络失效概率和部件重要度外, 还可得到网络失效条件下任一部件失效或者共因失效发生的概率, 为故障诊断和维护提供指导.     

基于Bayes信息融合的人为差错概率计算方法

研究了人为差错概率的计算。首先,介绍了可用于人为差错概率计算的数据来源,主要包括：通用数据、专家数据、仿真实验数据和现场数据。然后,分析了Bayes信息融合方法的基本思想,强调了该方法的两个关键性问题：验前分布的构建和融合权重的确定。最后,构建了基于Bayes信息融合的人为差错概率计算方法。将前3种数据作为验前信息,融合形成验前分布。使用Bayes方法完成与现场数据的数据综合,得到人为差错概率的验后分布。基于该验后分布,完成人为差错概率的计算。通过示例分析,演示了方法的使用过程,证明了方法的有效性。     

基于模糊积分的纠错输出解码研究

针对基于纠错输出编码的多类分类中解码策略的选择问题,提出一种基于模糊积分的解码方法.将每个基分类器看作一个证据源,其概率输出提供了测试样本所属类别的可能性;同时基于基分类器信任度和混淆矩阵对模糊密度的赋值进行了改进;最后求取最大的模糊积分值所对应的类别为分类输出.基于UCI数据集和经典解码方法的比较实验验证了本文所提方法作为二符号解码策略的可行性和有效性.     

基于Bayes分类的PAC-Bayesian定理证明

采用类似基于Gibbs分类的PAC-Bayesian定理的证明方法,证明基于Bayes分类的PAC-Bayesian定理.对于PAC-Bayesian定理的证明采用Bayes分类,可以方便有效地运用到统计问题中来解决相关问题.