基于多层稀疏先验的回归样条变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量。因此,筛选出对输出有重大影响的输入变量显得至关重要。针对计算机试验的变量选择问题,提出一种基于贝叶斯多层稀疏先验的回归样条变量选择算法。新算法能够同时进行非重要输入变量的自动删除和重要输入变量系数的自适应估计。不同于计算机试验中已有的变量选择算法,新算法不需要调节控制稀疏性的超参数。通过快速算法进行数值求解,试验结果表明：新算法不仅能够更精确地实现变量选取,而且能够大大地降低计算复杂度。     

基于Jeffreys非信息超先验的贝叶斯变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量,因此,筛选出对输出影响重要的输入变量是至关重要的。我们通过Jeffreys非信息超先验,提出了一种新的贝叶斯变量选择算法。不同于计算机试验中存在的变量选择算法,我们的方法不需要调节控制稀疏性的超参数。新的变量选择方法通过EM（expectation-maximization）算法求解,试验结果表明,我们的方法不仅取得了理想的效果,而且大大地减少了计算的负担。     

基于贝叶斯多层先验的元建模研究

计算机试验成为一种研究复杂物理系统的替代方法，它引起了人们的关注。元模型的求解问题是计算机试验中研究其它问题的基础。通过贝叶斯多层先验，提出了一种新的计算机试验中求解元模型的方法．新方法通过EM（expectation-maximization）算法求解，并且将之与国际上的几种已有的方法进行了比较。试验结果表明，这种新的方法取得了较理想的试验结果，并且大大地较少了计算的负担。     

基于非信息超先验的Bayesian Kriging元建模算法

计算机试验引入近似建模的思想，使其广泛地用于复杂物理系统。针对计算机试验中的近似建模问题,基于Jeffreys 非信息超先验为Kriging 模型的相关参数赋予了多层先验约束，提出了一种有效的Bayesian元建模方法，并且利用期望最大化算法对相关参数进行数值求解。新方法在本质上属于惩罚似然方法，但是它不含有任何需要调整或者估计的参数。将之与国际上已有的几种方法进行了比较，实验结果显示新方法不仅能够取得较高的元建模精度，而且能够大大降低计算复杂度。     

两阶段目标类指引的行人检测对抗补丁生成算法

针对缘于深度学习模型脆弱性的对抗样本攻击这一国内外热门研究课题，以无人驾驶等实际应用为背景，探讨了针对Yolo-v2行人检测系统的对抗攻击方法;基于Yolo-v2对行人目标的预测置信度和分类概率，提出基于两阶段目标类指引的行人检测对抗补丁生成算法。创新性地提出了目标类指引的攻击策略，通过先后实施目标类指引的对抗补丁生成和对抗补丁增强，有效引导了对抗补丁在训练生成过程中的收敛方向，以此逐步提升对抗补丁攻击行人检测系统的能力;在Inria数据集上实现了79个目标类指引的对抗补丁生成训练与测试。结果表明，算法以“teddy bear”为目标类生成了攻击效果最佳的对抗补丁，行人检测交并比(IOU)指标可达0.043 5，显著优于对照算法的0.244 8。