Gibbs采样

摘要： 针对传统主题模型在挖掘多源文本数据集信息时存在主题发现效果不佳的问题,设计一种基于狄利克雷多项式分配(DMA)与特征划分的多源文本主题模型.以DMA模型为基础,放宽对预先输入的主题数量的限制,为每个数据源分配专有的主题分布参数,使用Gibbs采样算法估计每个数据源的主题数量.同时,对每个数据源分配专有的噪音词分布参数以及主题-词分布参数,采用特征划分方法区分每个数据源的特征词和噪音词,并学习每个数据源的用词特征,避免噪音词集对模型聚类的干扰.实验结果表明,与传统主题模型相比,该模型能够保留每个数据源特有的词特征,具有更好的主题发现效果及鲁棒性.

摘要： 本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.

摘要： 用大数据方法对自然语言软件需求文档进行分析,基于LDA三层贝叶斯网概率主题模型,将文档建模为多个主题的混合概率分布,将每一个隐含主题建模为多个词的混合概率分布.用Gibbs采样算法估算模型的主题概率分布和词概率分布,将需求文档集合中计算出的文档主题映射为需求视点,用多视点方法分析软件需求,对分解、投影到不同子问题域的视点独立求精,系统需求转化为视点需求,集成多视点构成系统的需求规约.将文档主题的词概率分布映射为需求视点的涉众知识和需求规约知识,为需求知识复用提供了可靠依据,增强了需求分析的科学性和完备性.

摘要： 为快速对突发性水污染事件进行溯源,求得污染物的排放位置、排放量及排放时间,提出一种基于贝叶斯(Bayesian)和马尔科夫蒙特卡洛方法(MCMC)的污染源信息反演算法。基于Bayesian-MCMC方法可在已知污染源先验信息的基础上,构造似然函数,求得污染源的后验概率密度函数,进而将溯源问题转化为对后验概率密度函数的抽样问题。在抽样方法上本文选用M-H采样方法及GIBBS采样方法并加以改进、对比。结果表明:该方法能够较准确地对突发点源岸边污染物瞬时排放事件进行溯源,其计算结果接近于真实值,能够有效地解决点源岸边污染物瞬时排放的溯源问题。且改进的M-H采样方法可以有效加快迭代时的收敛速度,使待反演参数的抽样值更快地趋近于目标值。

摘要： 深度信念网络(Deep belief network,DBN)作为一类非常重要的概率生成模型,在多个领域都有着广泛的用途.现有深度信念网的训练分为两个阶段,首先是对受限玻尔兹曼机(Restricted Boltzmann machine,RBM)层自底向上逐层进行的贪婪预训练,使得每层的重构误差最小,这个阶段是无监督的;随后再对整体的权值使用有监督的反向传播方法进行精调.本文提出了一种新的DBN训练方法,通过多隐层的Gibbs采样,将局部RBM层组合,并在原有的逐层预训练和整体精调之间进行额外的预训练,有效地提高了DBN的精度.本文同时比较了多种隐层的组合方式,在MNIST和ShapeSet以及Cifar10数据集上的实验表明,使用两两嵌套组合方式比传统的方法错误率更低.新的训练方法可以在更少的神经元上获得比以往的训练方法更好的准确度,有着更高的算法效率.

摘要： 在有监督学习的任务中,任何方法的主要目标是对未来数据进行准确的预测.作为梯度boosting算法的贝叶斯版本,贝叶斯可加回归树(Bayesian additive regression trees,BART)模型在此方面具有巨大潜力.但是,BART得到的关注远远低于随机森林和梯度boosting算法.为扩展BART的应用范围,文中首先对BART模型作了较为详尽的综述.考虑到BART在高维情况下会出现过拟合,本文提出了RS-BART方法以提高其预测性能.RS-BART首先对所有预测变量根据其相对重要性排序,然后使用重要性度量训练一些低维或中等维度的BART模型,将其预测结果平均或投票来得到最终的预测结果.基于模拟和实际数据的试验结果表明,与一些最先进的方法(如随机森林、boosting和BART)相比,RS-BART具有更好或基本相当的预测性能.因此,RS-BART可以作为用于解决实际应用中高维且稀疏预测任务的一种有效工具.

摘要： 本发明公开了一种基于GLMB滤波和Gibbs采样的扩展目标跟踪方法，目标个数估计，扩展目标形状估计问题，提出了一种基于标签随机有限集框架下多扩展目标跟踪方法，该方法主要包括两方面：多扩展目标动态建模和多扩展目标的跟踪估计。首先，结合广义标签多伯努利滤波器建立了扩展目标的量测有限混合模型，利用Gibbs采样和贝叶斯信息准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪，然后采用等效量测方法来替代扩展目标产生的量测，对扩展目标形状采用椭圆逼近建模，实现扩展目标形状的估计。仿真实验表明本发明所给的方法能够有效跟踪多扩展目标，准确估计扩展目标状态和形状，并且能够获得目标的航迹轨迹。

摘要： 本申请公开了一种采样方法、采样控制方法、采样装置、采样控制装置、采样控制系统及显示装置，用以缩短采样像素单元的亮度信息的时间，进而提高了调整像素单元的亮度的速度，提高了显示面板的亮度均一性。本申请提供的一种采样方法，用于对显示基板上设置的像素单元进行采样，该方法包括：控制器控制多个采样模块同时开启，使得所述控制器控制的多个采样模块能够接收并保存采样通道采样得到的所述像素单元的亮度信息；控制器依次控制一组采样通道同时开启，使得该组采样通道同时进行亮度信息的采样，并将采样到的所述亮度信息通过该组采样通道的输出端传输给与该组采样通道相连的各采样模块。

摘要： 本发明公开了一种基于PPK模型的三维Gibbs采样方法，该方法基于群体药代动力学模型（PPK模型），获得目标参数的先验信息。利用三维Gibbs采样从平稳后验分布中采样得到样本。结合PPK模型，将样本代入到目标方程(OBj)中，得到最优的个体化参数CL、V，从而进一步给出个体化的给药方案。不仅可以考察患者群体血药浓度的影响因素，还可以考察患者个体内和个体间的变异，根据患者个体药动学参数，能更准确地预测血药浓度和给药剂量。最重要的是，该方法设计起到了一定的保密效果。

摘要： 本发明涉及一种适用于LDA主题模型的自适应迭代Gibbs采样方法，属于计算机与改进算法优化技术领域。本发明首先对输入的文本数据集进行分词和去停用词处理；将经过预处理的文本数据集转换为词袋模型；将词袋输入到LDA主题模型中，并使用自适应迭代的Gibbs采样算法进行参数估计；当Gibbs采样迭代自动结束时，从而输出文本数据集潜在的主题特征。这种自适应迭代的Gibbs采样算法在进行LDA主题模型的参数估计时不需要进行人为的迭代次数设置，大幅度降低了迭代的次数，提升了LDA主题模型生成主题特征的效率。

摘要： 本发明属于建筑结构损伤识别技术领域，具体涉及基于统计矩理论和MH‑GIBBS混合采样贝叶斯算法的损伤识别方法。本发明基于统计矩理论，通过融合位移四阶统计矩和加速度八阶统计矩作为损伤指标，结合贝叶斯MH‑Gibbs混合采样算法，提出一种仅通过单次采样即可进行结构损伤识别的新方法。

摘要： 本发明属于状态估计技术领域，特别涉及一种自适应滤波方法。一种基于Gibbs采样器的自适应滤波方法，首先将线性状态空间模型中的过程噪声均值向量及方差矩阵、观测噪声均值向量及方差矩阵看作未知的随机变量，将其先验分布建模为高斯‑逆Wishart分布。对于每一个时间历元，在Gibbs采样器的框架下，将未知的均值向量、方差矩阵、当前时间历元及上一个时间历元的系统状态同时进行迭代采样。在进行多次迭代之后，选取达到稳态之后的迭代周期采样的平均值作为最终的状态估计值、噪声均值向量及方差矩阵估计值。本发明可以在模型噪声均值向量及方差矩阵设置误差较大时仍然取得较好的状态估计结果，同时可以较为准确的估计出未知的噪声均值向量及方差矩阵。

摘要： 本发明涉及一种鲁棒滤波方法，首先将线性状态空间模型中的过程噪声与观测噪声建模为GSTM分布，且其混合系数和尺度矩阵未知；引入满足Bernoulli分布的指示变量与满足Gamma分布的辅助参数，将GSTM分布分解为分层高斯的形式，且指示变量的统计参数同样为未知。所有未知变量的先验分布均建模为其共轭先验分布。每一个时间历元，在Gibbs采样器的框架下，将未知的尺度矩阵、指示变量、指示变量统计参数、辅助参数、当前及上一个时间历元的系统状态同时进行迭代采样。多次迭代之后选取达到稳态后的迭代周期采样的状态采样平均值作为最终的状态估计值。本发明在状态空间模型过程噪声及观测噪声为非静态厚尾分布时可较好的状态估计结果，对时变环境有较强的鲁棒性能。

摘要： 本发明属于状态估计技术领域，特别涉及一种自适应平滑方法。一种基于Gibbs采样器的自适应平滑方法，首先将线性状态空间模型中的过程噪声方差矩阵及观测噪声方差矩阵看作未知的随机变量，将其先验分布建模为逆Wishart分布。在Gibbs采样器的框架下，将未知的方差矩阵与系统状态同时进行迭代采样。在进行多次迭代之后，选取达到稳态之后的迭代周期采样的平均值作为最终的状态估计值以及噪声方差矩阵估计值。本发明所提出的自适应平滑方法可以在模型初始噪声方差矩阵误差较大时仍然取得较好的状态估计结果，同时可以较为准确的估计出未知的噪声方差矩阵。

摘要： 本发明属于状态估计技术领域，特别涉及一种鲁棒自适应平滑方法。一种基于Gibbs采样器的鲁棒自适应平滑方法，首先将线性状态空间模型中的过程噪声及观测噪声建模为Student’s t分布，且其噪声参数完全未知。通过引入辅助参数，将满足Student’s t分布的过程噪声及观测噪声分解为Gauss分布与Gamma分布的组合。将未知的噪声参数也看作随机变量，其先验分布建模为参数对应的共轭先验。在Gibbs采样器的框架下，将未知的噪声参数、辅助参数与系统状态同时进行迭代采样。在进行多次迭代之后，选取达到稳态之后的迭代周期状态采样的平均值作为最终的状态估计值。本发明所提出的鲁棒自适应平滑方法可以在模型噪声厚尾且初始噪声参数设置误差较大时仍然取得较好的状态估计结果。

摘要： 本发明公开了一种基于GLMB滤波和Gibbs采样的扩展目标跟踪方法，目标个数估计，扩展目标形状估计问题，提出了一种基于标签随机有限集框架下多扩展目标跟踪方法，该方法主要包括两方面：多扩展目标动态建模和多扩展目标的跟踪估计。首先，结合广义标签多伯努利滤波器建立了扩展目标的量测有限混合模型，利用Gibbs采样和贝叶斯信息准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪，然后采用等效量测方法来替代扩展目标产生的量测，对扩展目标形状采用椭圆逼近建模，实现扩展目标形状的估计。仿真实验表明本发明所给的方法能够有效跟踪多扩展目标，准确估计扩展目标状态和形状，并且能够获得目标的航迹轨迹。