贝叶斯

摘要： 以神经网络为基础的深度学习在大量领域取得优异成果,但其难以处理相似或未经训练的任务。深度学习在对新任务的学习和适应过程中存在困难,且对训练样本规模要求很高,造成泛化性和扩展性不佳的问题。元学习是一种新的学习框架,旨在解决传统学习方法难以解决的快速学习和适应新任务的问题。针对图像分类的元学习问题,文中提出了一种基于贝叶斯理论的纤维丛元学习算法(Fiber Bundle Meta-learning Algorithm,FBBML)。首先通过卷积神经网络提取支持数据集的图片信息,以得到图片的表示。然后构建数据特征的流形结构和数据特征到标签的纤维丛。最后输入查询集选取当前新任务的流形截面,从而获得适合新任务的纤维,得到图片的正确标签。实验结果表明,基于所提算法实现的模型(FBBML)在公共数据集(mini-ImageNet)上相比标准四层卷积神经网络的模型取得了最佳的准确率性能。同时将纤维丛理论引入元学习,使得算法本身具备更高的可解释性。

摘要： 本文以区域型社会稳定风险评估为研究对象,在既有重大工程、重大项目、土地征收社会稳定风险评估理论研究的基础上,重新界定区域型社会稳定风险评估的相关定义,阐述了区域型社会稳定风险评估的实施方向,调查了区域型社会稳定风险评估的风险影响因素。在此基础上,构建了区域型社会稳定风险评估指标体系,提出了基于贝叶斯和云推理模型的区域型社会稳定风险评估方法和社会稳定风险控制方法。

摘要： 提出了基于马尔可夫蒙特卡洛(MCMC)的贝叶斯辨识方法,以解决高超声速飞行器系统辨识中复杂动力学模型转换为简单或稀疏模型所带来的不确定性问题,以及存在的训练数据大和积分难处理的问题。该方法将数据退火算法引入MCMC中,不仅解决了MCMC易陷入局部最优的问题,并且将数据退火与“高信息训练数据”的概念相结合,能够以较低的计算成本分析大数据集。此外,该方法可以对参数估计过程中存在的不确定性进行量化,获得未知参数的最优估计值。通过仿真实验,验证了提出的系统辨识方法的有效性,辨识出的模型能够有效应用于控制器设计之中,并获得较好的控制效果。

摘要： 鉴于核心CPI是从货币政策角度定义的,为了探究我国货币政策的价格效应在不同时点上的差异性,本文基于八类价格指数采用小波分解和动态因子模型构建了核心CPI并将其作为价格变量,之后构建了贝叶斯框架下的时变参数向量自回归(TVP-VAR)模型,测度了我国货币政策在不同时点上的价格效应。实证结果表明:第一,相对于CPI而言,本文构建的核心CPI能更好地反映物价长期、稳定的变动趋势;第二,我国货币政策对整体物价的调控具有短期效应,且在不同时点上存在显著差异。鉴于此,建议中国人民银行编制并公布核心CPI,以便更有效地检测物价整体变动水平和测度货币政策的价格效应。

摘要： 为改善传统英语教师教学质量评估时各指标权重易受人为影响的缺点,在研究了指标系数分析、特征重组及特征分析基础上,本文构建了大数据环境下的英语教师教育能力评价模型,并提出基于层次贝叶斯beta回归模型建立英语教师教育能力评价指标权重分配方案,从而提高指标分配合理性,使得预测结果更加准确。仿真结果进一步验证了所提模型在提高英语教师教育能力评价水平方面的优越性。

摘要： 针对天气变化及光照不足导致的奶牛监测图像降质问题,提出一种基于双域分解的复杂环境下奶牛图像增强算法。该算法首先采用双域滤波图像去噪,将输入图像分解为低频图像和高频图像;其次根据贝叶斯估计得到不同高频图像的小波阈值,利用改进的Garrote阈值函数进行小波去噪,并结合伽马变换对去噪的高频图像进行矫正,实现对高频图像的滤波和对比度调整;再次通过暗通道先验对低频图像进行去雾,并结合对比度受限自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)算法对去雾后整体偏暗的低频图像进行增强,进一步提高图像的对比度和整体亮度;最后将处理后的高频图像和低频图像进行重构,得到最终的增强图像。以不同时段光照、复杂气象条件下实地拍摄的奶牛场监测图像为样本,采用主观视觉和客观评价将该算法与现有算法进行试验对比。结果表明,该算法能够对复杂光照下奶牛图像有效去噪、增强整体和细节信息、改善图像视觉效果等,相比于HE算法、Retinex算法、CLAHE算法、自适应Retinex算法,标准差分别平均提高1.9295、4.6812、3.2450、0.5330,峰值信噪比平均分别提高0.5260、-13.7775、-0.4690、1.1975,信息熵值平均提高0.1555、0.5397、0.0297、0.5905,结构相似性平均提高0.0052、-0.0827、0.0588、0.0463,可实现不同时段和复杂气象条件下的奶牛监测图像增强,为基于机器视觉的奶牛行为自动识别奠定良好的基础。

摘要： 传统监督学习需要训练样本的真实标记信息,而在很多情况下,真实标记并不容易收集.与之对比,众包学习从多个可能犯错的非专家收集标注,通过某种融合方式估计样本的真实标记.注意到现有深度众包学习工作对标注者相关性建模不足,而非深度众包学习方面的工作表明,标注者相关性建模利用有助于改善学习效果.提出一种深度生成式众包学习方法,以结合深度神经网络优势及利用标注者相关性.该模型由深度神经网络分类器先验和标注生成过程组成,其中,标注生成过程通过引入各类别内标注者能力的混合模型以建模标注者相关性.为自适应地匹配数据及模型复杂度,实现了完全贝叶斯推断.基于结构变分自编码器的自然梯度随机变分推断技术,将共轭参数变分消息传递与神经网络参数随机梯度下降结合到统一框架,实现端到端的高效优化.在22个真实众包数据集上的实验结果验证了该方法的有效性.

摘要： 民用航空用易耗型廉金属热电偶的指标要求远高于其他行业,但在进行计量确认时,一般忽略了测量不确定度的影响,带来了较大的质量风险。本文基于贝叶斯理论,对测量过程和测量不确定度对易耗型廉金属热电偶符合性判断的特定消费者风险和全局消费者风险进行分析。探究不同测量过程和不确定度下的决策错误率风险,并提出了降低风险的方法,为易耗型廉金属热电偶的计量确认提供了参考。

摘要： 目的BOP2设计(贝叶斯最优II期设计)是在一个统一框架下可以处理复杂终点临床试验的设计方法,因其良好的统计性能、易于实践等优势,已在临床试验中得到广泛应用。和一般贝叶斯方法一样,模型未知参数的先验分布设置十分关键。本文旨在研究BOP2设计对先验选取的敏感性以及先验选择的一般规律。方法通过计算机模拟研究比较BOP2设计在不同无信息先验、乐观先验和保守先验下的统计表现。结果基于模拟结果,发现部分无信息先验以及保守先验,在不同场景下BOP2设计均有良好的统计性能,而乐观先验易引起一类错误率膨胀,仅当乐观先验与实际疗效相一致时,其统计性能良好。结论保守先验下BOP2设计的表现最稳健。若研究者对试验药物疗效持有相当积极乐观的态度,可以谨慎地选择乐观先验。

摘要： 在贝叶斯模型中,往往无法解析计算后验概率,在实践中依赖于近似推理。变分推理(VI,Variational Inference)是重要的确定性近似推理方法,比马尔科夫链蒙特卡罗(MCMC,Markov Chain Monte Carlo)采样具有更高的计算效率,在大数据时代有着显著优势。文章通过贝叶斯分层模型,回顾了经典VI,分析了随机变分推理(SVI,Stochastic Variational Inference)及其在主题模型中的应用,综述了更稳健的VI,概述了概率编程系统的研究进展,并对VI的未来发展趋势做出了展望。

摘要： 在风险分析中,贝叶斯方法可以构建决策框架、估计风险分布及参数化模型,相关实例表明针对包含极端事件的风险分析,贝叶斯方法相比传统方法有更强的适应性和灵活性.频率论者指出使用二维蒙特卡罗模拟可以更加自然简便的解释概率模型中与参数相关联的不确定性.实际上二维蒙特卡罗模拟有着与贝叶斯方法相似的缺点以及自身的不足.在缺少准确和完全的统计信息时,稳健贝叶斯方法能够给出更加可靠的推断。

摘要： 本文利用2002～2005年8月WRF区域数值预报产品和单站历史观测资料，计算和选取与雷暴发生相关性较高且相互之间独立性较好的预报因子，采用贝叶斯分类判别方法，建立了我国东南沿海地区各单站朴素贝叶斯分类器(N-Bayes)和贝叶斯判别准则(D-Bayes)两个雷暴有无预报模型，并利用2006年8月资料对预报模型进行了试报和检验。结果表明：各单站两种预报模型24～48h间所有时次的雷暴预报CSI平均分基本稳定在0.4左右，两种预报模型在10个单站的CSI平均分分别为0.4578和0.4326。对各单站建立起的两种预报模型的预报效果进行比较，发现两者CSI评分接近，趋势相同，D-Bayes在预报效果上要略优于N-Bayes，试验初步说明,贝叶斯分类判别方法在雷暴释用预报中,有着较好的应用前景。

摘要： 目前众多的网站中，都呈现出“信息过载”和“资源迷向”问题，体检网站也不例外，不同用户需要了解的疾病信息不一样。根据用户各自的身体状况和对各种疾病的关心程度来向其推荐有用的信息，这就需要进行个性化网站设计。目前建设个性化网站的技术很多，本文利用贝叶斯定理及其概率模型，结合过滤算法，在网站的内容推荐个性化方面做了研究，分析用户以往的访问历史记录，予以推荐最新的内容，达到了提高用户的满意度，降低用户浏览信息所消耗的时间的效果，很好的适应了用户的兴趣。

摘要： 利用低分辨率条件下比较易于识别的特征,即衣服的颜色、肤色和位置信息来检测人.首先把待识别的目标分成几个部分,包括衣服和皮肤,再分别利用线性模型为衣服颜色和肤色建立概率模型,由于人体属于非刚性物体,不适用于一般的概率模型,所以利用支持向量机,通过训练,为几部分的相对位置建立了概率模型.最后通过贝叶斯方法建立了框架,该框架综合了颜色和位置的概率模型.实验证明,通过找到最大概率,就能够较准确地检测到人在图像中所处的位置.

摘要： 20世纪80年代初,波兰数学家Z.Pawlak首先提出了粗糙集理论,其作为一种新的数学方法被用来处理各种不精确、不确定、不完备信息.粗糙集理论凭借自身的优点--不需要研究对象的任何先验或额外的预备信息得到了迅速发展.另一方面,贝叶斯数据分析是数据样的先验分布在经过了证据修订后形成的后验分布,目前被广泛地应用于各种智能化数据分析中.上述两种方法的结合对于决策规划起到了不错的效果。 本文以基本偏序关系为基础,运用以上两种方法构建了基于贝叶斯的偏序粗集模型,并进一步将其应用到生态学的食物网中。

摘要： 在信息化战争中,战场态势瞬息万变,如何在极其有限的时间内评估战场态势,作出判断,定下决心,是辅助战场指挥员决策的主要依据.在介绍态势评估基本理论和蚁群算法基本原理的基础上,结合战场态势评估的功能模型,研究战场态势评估中的贝叶斯建模过程,验证蚊群算法在贝叶斯网络分解中的优越性,对其部分参数进行仿真实验,希望对完善态势评估的算法体系和战场指挥员决策支持起一定作用.

摘要： 数控系统是长寿命、高可靠性产品,采用经典方法进行可靠性评估是一项耗时、耗财的工作。rn 经典方法建立在大样本理论基础上,在进行每一次可靠性评估时,都必须完全依靠最新的现场试验信息,而该次试验之前的所有信息,包括以前历次试验获得的数据,都不能采用。所以,对数控系统这类长寿命、高可靠性产品,应用贝叶斯(Bayes)理论进行可靠性评估,该方法考虑并应用各种验前信息,包括历史的、不同场合下的试验信息,相当于增加了样本量,从而可以大幅度缩短可靠性评估所需要的时间。

摘要： 分类是机器学习、数据挖掘和模式识别领域中的一个重要研究方向。Bayesian分类器建立在Bayes统计和Bayesian网络方法的基础上，是一种最优分类器模型。常见的贝叶斯分类器模型有NB(Naive Bayes)分类器、TAN(Tree-augmentedNaive Bayes)分类器、GBN(General BayesianNetwork)分类器等。NB分类器要求在给定类变量的情况下各属性结点条件独立，TAN分类器相对放宽了NB分类器的条件独立性约束，而GBN分类器对网络结构没有限制，能够构造出更符合实际的模型。本文提出了一种基于KL距离的TAN分类器判别性学习方法。首先用基于信息理论的EAR(explaining away residual)方法构建TAN分类器的结构，然后通过优化基于KL距离的目标函数估计TAN分类器的参数。在UCI数据集以及人工合成数据集上的实验结果表明，使用本文方法学习的TAN分类器与采用衍生性学习策略相比能达到更高的分类正确率。

摘要： 文本分类是文本挖掘的基础和核心。本文讨论目前的一些主要算法,对现有的文本分类算法进行分析,最后提出今后文本分类研究的方向和目标。

摘要： 文本分类是文本挖掘的基础和核心。本文讨论目前的一些主要算法,对现有的文本分类算法进行分析,最后提出今后文本分类研究的方向和目标。

摘要： 本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

摘要： 本发明提出一种基于贝叶斯更新和吉布斯采样的超声导波多损伤识别方法，所述方法布置三个传感器进行超声导波信号采集,对每个传感器信号分析获得M个损伤直接散射的M个传播时间ToF，并获得各可能组合方式对应的M个3×1的ToF向量；对基于导波传播时间的非线性损伤定位模型中的参数进行线性化处理；然后利用贝叶斯定理求每个参数的条件后验概率分布，利用吉布斯采样对各参数的条件后验分布进行采样，对每个可能组合方式对应的多个ToF向量数据进行吉布斯采样，最终判定样本点离散程度最小且速度参数合理的分组方式为最后识别的损伤位置。本发明可以基于三个传感器ToF信息自动实现超声导波多损伤精确定位。

摘要： 本发明提出一种基于贝叶斯更新和吉布斯采样的超声导波多损伤识别方法，所述方法布置三个传感器进行超声导波信号采集,对每个传感器信号分析获得M个损伤直接散射的M个传播时间ToF，并获得各可能组合方式对应的M个3×1的ToF向量；对基于导波传播时间的非线性损伤定位模型中的参数进行线性化处理；然后利用贝叶斯定理求每个参数的条件后验概率分布，利用吉布斯采样对各参数的条件后验分布进行采样，对每个可能组合方式对应的多个ToF向量数据进行吉布斯采样，最终判定样本点离散程度最小且速度参数合理的分组方式为最后识别的损伤位置。本发明可以基于三个传感器ToF信息自动实现超声导波多损伤精确定位。

摘要： 本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

摘要： 本发明涉及一种基于罗切斯特模型-朴素贝叶斯模型的数据分类系统，它包括：一数据处理模块根据输入的原始样本集中各类样本变量的缺失值比率，以及各类样本变量之间的相关性和样本属性，将原始样本集分为饱和层和缺失层；一样本抽样模块根据目标变量，从饱和层和缺失层中随机抽取训练样本变量和测试样本变量，分别形成具有饱和层和缺失层的训练样本集和测试样本集；一模型建立模块对饱和层中的训练样本采用罗切斯特回归模型建模，对缺失层中的训练样本采用朴素贝叶斯模型建模，得到一具有罗切斯特回归模型和朴素贝叶斯模型的混合动态模型；一数据测试模块将饱和层的测试样本输入混合动态模型中的罗切斯特回归模型中，将缺失层的测试样本输入混合动态模型中的朴素贝叶斯模型中，之后进行测试，得到并输出评分结果。本发明兼具罗切斯特回归模型和朴素贝叶斯模型的优点，形成优势互补，可以广泛应用在金融业、零售业和电信业中。

摘要： 针对新能源并网后的供电体系存在较高的间歇性和波动性，传统的点预测无法提供负荷数据中的不确定信息。为此，本发明提出一种基于多目标和贝叶斯优化(Multiple Objective and Bayesian Optimization，MOBO)的短期电力负荷区间预测方法，属于电力负荷预测领域。该方法首先建立基于深度学习的分位数回归模型，客观地验证了各神经网络对负荷中关于非线性和时序性信息的处理能力；其次，通过有效性检验，分析单项模型和混合模型的预测效果，并选取具有可靠预测区间的模型；最后，对选取的模型引入多目标和贝叶斯优化理论，来构建基于MOBO的深度学习区间预测模型。实验结果表明：所提的模型能更加准确地描述电力负荷的波动范围。

摘要： 本发明公开了一种机械故障冗余提升小波字典贝叶斯稀疏表示方法，属于机械故障诊断领域。本发明通过采用提升方法，设计了自适应提升小波字典。将多种群搜索策略融入量子遗传优化算法，以小波分解的细节信号的峭度指标最大为目标函数设计预测器，然后，以重构误差最小为目标函数设计更新器，有效地锁定信号的局部特征，准确地提取出信号瞬时故障特征信息。本发明适用于机械设备故障诊断。

摘要： 本申请提供了一种基于贝叶斯后验估计的桥梁动态称重算法。包括步骤：获取车辆过桥的桥梁荷载响应，利用贝叶斯算法进行轴重识别。首先，在主循环i中，假定初始约束因子，得到轴重A(i=0)。将轴重A(i=0)作为已知量，计算测量误差，得到桥梁响应测量误差的标准差。然后，进入子循环j中，假定轴重标准差的初始值，根据公式计算轴重标准差。之后，利用和计算约束因子，不断重复，直至轴重收敛且前后两次得到的轴重差值小于阈值。最后输出A(i)和。

摘要： 本发明提供一种基于贝叶斯的盾构隧道掌子面失稳预警方法及系统，包括以下步骤：步骤1：建立目标隧道当前施工进度下的三维有限元模型；步骤2：采集既有场地数据集以及目标隧道场地数据集；步骤3：确定既有信息和当前约束信息；步骤4：采用马尔科夫链蒙特卡洛方法计算既有信息的超参数；步骤5：采用马尔科夫链蒙特卡洛方法计算目标隧道随机场参数；步骤6：基于随机场参数生成随机场，并建立三维随机有限元模型；步骤7：计算掌子面失稳概率，当失稳概率超过报警阈值时则输出报警信息，若否则退出。本发明考虑土体参数空间变异性和特定场地特性，采用贝叶斯方法对盾构隧道掌子面稳定性进行超前预警，保障盾构施工安全。

摘要： 本发明涉及一种基于贝叶斯检验的接收机自主完好性监测方法，属于卫星导航接收机技术领域。本发明对线性化伪距观测方程求取定位估计解；利用多重卷积公式将伪距观测噪声的统计模型投影到定位域中，求得定位误差的统计模型；根据方差膨胀理论提出一种基于定位域的故障检测模型；针对该故障检测模型，基于贝叶斯检验理论，构造贝叶斯后验概率优势比Ratio用于故障检测；根据导航连续性要求给出贝叶斯后验概率优势比Ratio的关键参数——方差膨胀系数k的确定方法；最后利用贝叶斯后验概率优势比Ratio进行故障检测。本发明中先验故障信息、实时观测信息和定位域检测模型的结合，使得对故障卫星的检测性能得到提升，适用于全球卫星导航的接收机自主完好性监测。