参数学习

摘要： 针对小数据集情况下贝叶斯网络(BN)参数学习结果精度较低的问题,分析了小数据集情况下BN参数变权重设计的必要性,提出一种基于变权重融合的BN参数学习算法VWPL。首先根据专家经验确定不等式约束条件,计算参数学习最小样本数据集阈值,设计了随样本量变化的变权重因子函数;然后根据样本计算出初始参数集,通过Bootstrap方法进行参数扩展得到满足约束条件的候选参数集,将其代入BN变权重参数计算模型即可获取最终的BN参数。实验结果表明,当学习数据量较小时,VWPL算法的学习精度高于MLE算法和QMAP算法的,也优于定权重学习算法的。另外,将VWPL算法成功应用到了轴承故障诊断实验中,为在小数据集上进行BN参数估计提供了一种方法。

摘要： 针对高中压燃气调压器故障案例缺少以及检修过程中难以准确判断故障原因的特点,利用专家先验知识,建立高中压燃气调压器贝叶斯网络故障诊断模型。在该模型基础上,应用最大期望EM算法进行参数学习优化,寻找最优解,最终得到更合理的检修顺序,并与实际案例进行比较验证。结果表明,实际案例故障统计与参数学习后的计算概率总体一致,反映了参数学习优化贝叶斯网络故障诊断模型的正确性。

摘要： 为研究煤矿顶板事故致因及预防煤矿顶板事故的发生,基于顶板事故调查报告,从人为、设备、环境、管理4个方面选取导致煤矿顶板事故致因变量,通过变量间的相关关系,利用贝叶斯网络软件GeNie构建煤矿顶板事故致因分析的贝叶斯网络模型(BN),采用交叉验证法检验贝叶斯网络模型的精准度,并对模型进行结构和参数学习,计算出各节点的条件概率分布和后验概率等,最后通过变量敏感性和事故最大致因链分析,找出事故发生的关键因素路径,有助于降低顶板事故的发生率。研究结果表明:在人为因素方面,未履行作业规程和监督检查不到位的比例较高,概率值均大于84%;在管理因素方面,安全管理混乱是导致顶板事故发生的主要诱因,概率值大于95%;顶板垮落、支护问题、是否进入垮落区是导致顶板事故发生的重要因素。

摘要： 针对高速轨道伤损检测问题,提出一种基于0°、37°、70°超声探头探伤的检测方法.该方法基于B型图像显示分析了各伤损的颜色、面积、倾斜角度、长度、质心坐标等特征,并根据其伤损特征的内在逻辑关系设计了检测算法.此外,由于超声成像过程受多种不确定因素的影响,同类伤损的图像特征常出现较大差异而影响检测准确率,为了提高算法检测的准确率,提出一种参数学习方法,该方法可实时调整检测参数的阈值.首先,基于建立的检测算法模型提取伤损判定过程的检测参数;其次,结合伤损的关键检测参数,以相同特征约束下的同区域轮廓其类别特征间隔最大化为准则,基于支持向量机建立了一种检测和学习相结合的学习模型,并基于该模型对参数阈值进行优化调整.实验结果分析表明,采用所提方法,其轨道伤损检测准确率可达97.5％;并对初检中检测率较低的伤损进行学习再检测,其准确率得到了明显提高,从而验证了所提方法的有效性.

摘要： 针对小数据集条件下的贝叶斯网络(Bayesian network,BN)参数估计困难问题,提出了一种基于变权重迁移学习(DWTL)的BN参数学习算法.首先,利用MAP和MLE方法学习得到目标域初始参数和各源域参数;然后根据不同源域数据样本贡献的不同计算源权重因子;接着基于目标域样本统计量与小数据集样本阈值的关系设计了目标域初始参数和源域参数的平衡系数;最后,基于上述参数、源权重因子和平衡系数计算得到新的目标参数.在实验研究中,通过对经典BN模型的参数学习问题验证了DWTL算法的有效性;针对小数据集下的轴承故障诊断问题,相较于传统迁移学习(LP)算法,DWTL算法学习精度提高了10％.实验结果表明:所提出的算法能够较好地解决样本数据集在相对稀缺条件下的目标参数建模问题.

摘要： 针对事故树分析法不能对管道风险进行多态性分析,且无法实现双向推理问题,提出一种基于贝叶斯网络的油田管道失效概率计算方法.首先,建立油田管道失效风险事故树模型,利用事故树与贝叶斯网络的转换确定贝叶斯网络结构,完成管道失效风险贝叶斯网络模型结构的构建;其次,考虑到由专家知识经验及期望最大化算法确定的网络参数存在较大的估计误差问题,引入遗传算法完成贝叶斯网络参数学习以此获取最优参数;最后,将该方法应用于实际油田管道风险问题,利用GeNIe贝叶斯网络仿真软件计算油田管道失效概率,同时对每个风险因素进行分析并得到影响管道发生失效的致因链.实验证明,所提方法在评估精度上得到了显著地提升.

摘要： 针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题,在考虑源域-目标域多种信息形式的情况下,提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用,在结构相似性的基础上,探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域数据与迁移过程联系起来,实现平衡系数的自动调节.Asia网络验证了本文方法的准确性.

摘要： 在贝叶斯网络(Bayesian network,BN)参数学习中,如果数据不够充分,将无法建立准确的BN模型来分析和解决问题.针对电熔镁炉熔炼过程的异常工况识别建模,提出一种新的BN参数迁移学习方法来改进异常工况识别精度.该方法可以解决源域BN与目标域BN在结构不一致情况下的参数迁移学习问题.在实验部分,首先在著名的Asia网络上对该方法进行了验证,然后将其应用于电熔镁炉熔炼过程排气异常工况识别BN模型的参数学习.实验结果表明,与小数据下建立的目标域BN模型相比,该方法较大地提高了异常工况识别的准确性.

摘要： 小数据集使得贝叶斯网络参数学习中的统计信息不准确,导致只依靠数据难以得到准确的贝叶斯网络参数.定性最大后验估计(QMAP)方法是目前小数据集条件下贝叶斯网络参数学习精度最高的算法.然而,当参数约束数量较多或参数可行域较小时,QMAP算法中的拒绝-接受采样过程会变得极为耗时甚至难以完成.为了提高QMAP算法的学习效率同时又尽量不影响其学习精度,设计了一种约束区域中心点的解析计算方法来替代原有的拒绝-接受采样计算方法.结合参数约束构建一个求解约束区域边界点的目标优化模型;利用凸优化引擎来求解该目标优化模型,获得约束区域的边界点和中心点;通过获得的约束区域中心点改进现有的QMAP算法.仿真实验证明,所提出的CMAP算法的参数学习精度稍差于QMAP算法,但计算效率比QMAP算法提高了2～5倍.

摘要： 贝叶斯网络模型是经典概率图模型,目前已经广泛应用到各个领域中.在贝叶斯网络模型的参数获取方面,以往的方法往往仅依靠数据集或者专家知识.实际情况中,数据集往往存在缺失或者存在噪声,而单一专家指定的参数存在较大的主观因素,两类方法所得参数与实际存在较大偏差.提出基于D-S证据理论的专家综合知识结合小数据集的贝叶斯网络参数学习方法,克服了依靠数据集小的情况下造成的参数不准确或依靠单一专家知识主观性较强的问题.通过实验验证,提出的方法在小数据集的情况下,所获得的贝叶斯网络参数更为准确.并将提出的方法用于公安机关刑事案件线索研判,综合专家知识与小数据集获取模型参数,研判结果能够较好地反映实际情况,证明了方法的有效性.

摘要： 针对贝叶斯网络中多父节点条件概率分布参数学习问题,提出了一种适用于多态节点、模型不精确、样本信息不充分情形的参数学习方法.该方法利用因果机制独立假设,分解条件概率分布,使条件概率表的规模表现为父节点个数和状态数的线性形式;利用Leaky Noisy-MAX模型量化了多态系统模型未合因素对参数学习的影响;从小样本数据集中获取模型参数并合成条件概率表.结果表明,该方法能提高参数学习效率与精度.

摘要： 针对动态贝叶斯网络EM参数学习算法中计算量大和收敛速度慢问题，通过将大规模时序数据集划分为较小的数据块,提出一种基于部分E步的加速算法(DA-EM)。DA-EM在块间循环迭代,每一次迭代执行部分E步,增量式地更新似然函数和网络参数,以缩短E步执行时间。该算法在不损失精度情况下能显著加快EM算法的收敛速度,有效地提高EM算法的计算效率。实验表明,DA-EM算法有较高的计算效率。

摘要： 该文应用模糊神经网络对高炉参数学习专家系统进行研究，该神经网络采用具有线性激励的ＢＰ快速学习算法，能够实现模糊推理进行隶属系数参数和规则可信度的调整。为动态模拟专家系统知识库，该文采用了七个结构相似且相互关联的神经网络代表不同的高炉异常炉况类型。

摘要： 通过引入置信规则库的线性组合方式、设定规则数等于分类数及改进个体匹配度的计算方法,提出基于置信规则库推理的分类方法.比较于传统的置信规则库推理方法,新方法中规则数的设置不依赖于问题的前件属性数量或候选值数量,仅与问题的分类数有关,保证了方法对于复杂问题的适用性.实验中,通过差分进化算法对置信规则库的规则权重、前件属性权重、属性候选值和评价等级的置信度进行参数学习,得到最优的参数组合.在对三个常用的公共分类数据集进行测试时,均获得理想的分类准确率,表明新分类方法合理有效.

摘要： 航母编队识别是远程预警中的关键问题.该文研究了天波超视距雷达输出下的航母编队识别问题.为了处理雷达航迹输出以及主观决策中的不确定信息,提出了一种基于置信规则库推理的航母编队识别方法.该方法基于航母编队中子目标的约束关系构建了航母编队识别置信规则库,在此基础上实现了多层置信规则库的推理.此外,研究了利用历史数据对置信规则库参数进行学习的方法.模拟了50种天波超视距雷达输出场景对算法进行了验证,仿真结果表明基于置信规则库推理的方法能有效地处理航母编队识别中的不确定信息,同时经过参数学习,该方法的性能可以得到进一步提升.

摘要： 将一种改进的隐马尔可夫模型(HMM)应用于文本分类中,在考虑其前向依赖的同时,需考虑状态的后向依赖性.将当前观测值和和当前状态对其后一状态的依赖性加入模型的学习,这样的改进模型能有效提高文本信息抽取准确率.在文本分类过程研究中,首先对训练样本进行文本预处理,对HMM分类器模型进行参数学习,建立HMM分类器后用测试集进行测试并做出性能评价.在性能评价中用改进的评测指标,可针对不同数据集做出准确评价,以及可对比不同分类工作在同一数据集上的性能,大大提高评价质量.

摘要： 本文提出将自组织模糊神经网络(SCFNN)应用于网络控制系统中远程控制器的设计.SCFNN的学习过程包括结构学习和参数学习两个阶段.结构学习的目的是对输入空间进行合理的模糊划分,而参数学习是通过有监督梯度下降算法来调整模糊规则中结论部分中的权值以及隶属度函数的参数.在最初的SCFNN中只有输入节点和输出节点,而没有任何隶属度函数和规则的节点.在学习过程中逐渐地生成了中间层节点,从而动态地获得一组的模糊控制规则.本文对基于Profbus-DP网络的网络控制系统进行测试,并与修正Ziegler-Nichols法的优化结果进行比较,结果表明在对网络导致的延迟没有任何先验知识的情况下,用于网络控制系统中远程控制器设计的SCFNN能够获得满意的控制效果.

摘要： 本文针对Hopfield神经网络(HNN)所存在的极小值问题及缺乏学习能力的问题,提出了一种学习算法.它是将决定约束条件权值大小的系数作为学习参数,在参数空间里使参数向着HNN能量上升最快的方向学习,使网络状态能够有效地从一旦陷入的极小值状态中逃脱出来.该算法分别被应用于10、20城市的旅行商问题(TSP),结果能够以很高的比率收敛于最优解.

摘要： 本文针对Hopfield神经网络(HNN)所存在的极小值问题及缺乏学习能力的问题,提出了一种学习算法.它是将决定约束条件权值大小的系数作为学习参数,在参数空间里使参数向着HNN能量上升最快的方向学习,使网络状态能够有效地从一旦陷入的极小值状态中逃脱出来.该算法分别被应用于10、20城市的旅行商问题(TSP),结果能够以很高的比率收敛于最优解.

摘要： 本发明公开了一种超参数的学习、智能推荐、关键词推荐方法及装置。所述机器学习模型超参数的学习方法包括：获取机器学习模型的用户反馈行为数据；根据所述用户行为反馈数据，从预设的超参数连续区间中，确定所述机器学习模型的超参数组合所在的最优超参数子区间；在所述最优超参数子区间中，选取出最优超参数组合作为所述机器学习模型的超参数组合。本发明实现了对推荐系统的超参数组合的自主学习，使得推荐系统能够实时地追踪用户的需求和兴趣，从而保证了推荐系统具有较好的推荐效果。

摘要： 一种CNC机械装置的参数学习方法，可根据使用者预设的快、准、稳等偏好，通过学习的方式，调变机械装置的参数，使得快、准、稳等加工特性依使用者的偏好来改善，达成加工时间缩短、精度提升或稳度变好的目的。

摘要： 本发明提供了一种无监督稀疏参数学习的超限学习机分类方法及系统，所述方法包含：首先利用超限学习机稀疏自编码机来学习自编码机网络输出权值，获得稀疏网络输出参数，再将所述参数进行转置输入到超限学习机进行训练，得到超限学习机模型，获得数据的类标信息。通过实验对比，使用分类精度作为指标进行评价，本发明方法分类精度高，分类效果越好。本发明方法为超限学习机的无监督参数学习进行了补充，且能够广泛应用于不同的分类识别应用领域中，显著提高了超限学习机的分类效果，市场前景广大。

摘要： 一种可用于低功耗定位标签的自适应参数学习方法，提供移动基站以及若干定位标签，定位标签的通讯模块配置有休眠模式和工作模式，定位标签配置有基础休眠时间以及基础通讯时间，基础休眠时间反映静态情况下定位标签的休眠时间间隔，基础通讯时间反映静态情况下定位标签的工作时长；具体包括时间修正步骤以及时间执行步骤：时间执行步骤包括从时间修正步骤中获取休眠修正时间以及工作修正时间，并根据时间配置算法计算实际休眠时间以及实际工作时间。有益效果：采用时间配置算法对定位标签的实际休眠时间和时间工作时间进行计算，使之适应不断变化的移动基站，在能获得充足数据的前提下进行节能。

摘要： 一种个人化参数学习方法、睡眠辅助装置及存储介质。个人化参数学习方法包括以下步骤：在一睡眠辅助装置以一输入参数设定执行后，一处理装置根据一使用者的一主观回馈，计算出使用者的一测量睡眠品质。根据测量睡眠品质，处理装置产生多个候选参数设定。处理装置产生对应于这些候选参数设定的多个预测睡眠品质。处理装置根据这些预测睡眠品质，选择这些候选参数设定的其中之一，以获得一推荐参数设定。

摘要： 本发明属于通信技术中的阵列信号处理领域，具体涉及一种基于联合参数学习的毫米波MIMO宽带信道估计方法。本发明基于新颖的毫米波大规模多输入多输出信道模型，通过部分接收信号从空域和频域中提取信道信息，将信道估计问题转换为线谱估计问题。然后，提出了一种联合参数学习算法来估计所有信道参数。因此，最终可以恢复信道，是一种低复杂度高性能的信道估计方法。

摘要： 本发明提供噪音估计用参数学习装置，即使在混响或时间帧差成为问题的大规模空间中，也可以使配置在远离的位置的多个麦克风协作而执行频谱相减法，强调目标音。学习多个麦克风的观测信号中包含的噪音的估计中使用的噪音估计用参数的噪音估计用参数学习装置包括：模型化单元，将规定的麦克风的观测信号的概率分布模型化，将时间帧差的概率分布模型化，将传递函数增益的概率分布模型化；似然函数设定单元，根据模型化的概率分布，设定与时间帧差有关的似然函数、与传递函数增益有关的似然函数；以及参数更新单元，交替地反复更新两个似然函数的变量，将收敛后的时间帧差以及传递函数增益作为噪音估计用参数输出。

摘要： 一种CNC机械装置的参数学习方法，可根据使用者预设的快、准、稳等偏好，通过学习的方式，调变机械装置的参数，使得快、准、稳等加工特性依使用者的偏好来改善，达成加工时间缩短、精度提升或稳度变好的目的。

摘要： 本发明提供了一种小数据集条件下结合参数先验约束的贝叶斯网络参数学习方法，该方法主要包括以下步骤：步骤1：数据统计量的计算；步骤2：构造求取参数约束区域边界点的优化函数，并求取参数约束域的边界点和中心点；步骤3：选取适当的虚拟样本数A；步骤4：利用贝叶斯估计求取相应参数。本发明方法解决现有技术中小数据集条件下贝叶斯网络的参数学习在多种参数约束同时存在时参数学习精度和效率难以保证的问题。

摘要： 本发明提供了一种无监督稀疏参数学习的超限学习机分类方法及系统，所述方法包含：首先利用超限学习机稀疏自编码机来学习自编码机网络输出权值，获得稀疏网络输出参数，再将所述参数进行转置输入到超限学习机进行训练，得到超限学习机模型，获得数据的类标信息。通过实验对比，使用分类精度作为指标进行评价，本发明方法分类精度高，分类效果越好。本发明方法为超限学习机的无监督参数学习进行了补充，且能够广泛应用于不同的分类识别应用领域中，显著提高了超限学习机的分类效果，市场前景广大。