退火期望最大化算法A-EM

使用EM算法训练随机多层前馈网具有低开销、易于实现和全局收敛的特点,在EM算法的基础上提出了一种训练随机多层前馈网络的新方法A-EM. A-EM算法利用热力学系统的最大熵原理计算网络中隐变量的条件概率,借鉴退火过程,引入温度参数,减小了初始参数值对最终结果的影响.该算法既保持了原EM算法的优点,又有利于训练结果收敛到全局极小.从数学角度证明了该算法的收敛性,同时,实验也证明了该算法的正确性和有效性.     

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合,提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数,通过此函数引入变异算子,目的是利用变异算子的邻域搜索能力,保持种群多样性,将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来,避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。     

基于Bayesian方法的鲁棒约束LMS算法

输入信号的方向向量出现偏差时,最小均方误差算法会出现收敛速度慢、输出性能下降、不稳定等问题.本文针对这些问题,对传统LMS(least mean squares)算法进行了改进,提出了基于Bayesian方法的鲁棒约束LMS算法.该算法利用信号的先验信息对实际信号方向向量进行估计,有效地抑制了方向向量偏差的影响,并提高了系统的鲁棒性.阵列输出的信干噪比得到了改善,更加接近最优值.仿真实验验证了该算法的有效性和可行性.     

基于保留策略的Bayesian网优化算法

提出了一种基于保留策略的Bayesian网优化算法。算法中通过学习Bayesian网络自动获取进化过程中各基因之间的依赖关系及分布描述,以便更好地指导算法的进化,并利用保留的父辈中间群体扩充学习数据集规模,解决了Bayesian网学习可靠性与较大群体规模之间的矛盾。实验表明,算法能够在有效收敛的前提下降低对群体规模的要求,具有较高的学习效率。     

Naive Bayesian算法在基于内容的垃圾邮件过滤中的应用

垃圾邮件是Internet上面临急待解决的问题。Naive Bayesian算法由于其简单高效性在文本分类中应用较广，重点阐述了Naive Bayesian算法在基于内容的垃圾邮件过滤中的应用，并在Ling—spam语料库上进行了实验，获得了良好的分类效果，实验论证了它在垃圾邮件过滤中的可行性和有效性。     

基于EM算法的ACPH分布数据拟合方法

ACPH分布继承了PH分布具有良好特性的特点,对其进行数据拟合的难度比PH大大降低。针对ACPH分布缺乏数值稳定拟合算法的问题,提出采用EM算法解决该问题,给出了ACPH分布数据拟合EM算法的理论推导,并通过3个拟合实例验证了算法的有效性。     

不完备证据条件下的Bayesian网络参数学习

在Bayesian网络推理中,对节点做参数学习是必不可少的.但在学习过程中,常常会出现证据丢失,导致参数收敛速度减慢,同时影响参数学习的精确度,甚至给参数收敛带来困难.针对这样的问题,本文提出一种证据丢失参数模型,并推导出包含学习率的EM更新算法.收敛性能的理论分析和仿真试验结果两方面均表明,新算法与传统处理算法相比,在不降低参数估计精度的前提下,具有更快的收敛速度,为保证不完备证据条件下可信高效的Bayes-ian网络参数学习提供了一条可行的解决途径.     

智能信息处理的Bayesian方法研究进展

简要地回顾了近十年来Bayesian统计计算方法的研究成果 ,并分析了Bayesian方法在两种重要的智能信息处理模型———混合体模型和神经网络 ,一个最有代表性的信息应用学科———计算机视觉中的最新研究动态 ;最后指出了今后四个需要值得重点关注的基于Bayesian理论的智能信息处理方法     

基于期望最大化的水平集分割算法

针对经典的水平集算法(比如Chan-Vese模型算法)在迭代过程中要重新初始化和容易受噪声和模棱两可的边界的影响的缺点,增加一项内部能量泛函达到不需重新初始化的目的,并结合贝叶斯决策理论,利用图像先验知识,提出了一个改进的能量函数,根据符号距离函数来不断调整水平集函数的偏差。该函数是利用期望最大化算法来得到的。实验结果表明,该算法分割精度和运行准确率上都优于经典算法。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

基于贝叶斯公式的自适应垃圾邮件过滤方法

简单贝叶斯算法在邮件过滤领域使用得比较普遍.该算法的优点是简单、对特征较为恒定的垃圾邮件较为有效,但其适应性较差.谨提出一种以贝叶斯公式为基础的自适应垃圾邮件过滤方法,它采用基于词熵的特征提取方法,在过滤过程中不断地进行自学习,具有较强的自适应能力.     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

基于贝叶斯-斯坦科尔伯格博弈的DNN动态防御方法

基于梯度攻击对图像进行修改,可造成基于神经网络的分类技术的精确度降低10％左右,针对这一问题,提出利用网络空间领域里移动目标防御思想来增加神经网络对抗该类攻击的鲁棒性.定义整体网络集的"区别免疫"概念,将网络中防御方和用户之间的交互模拟为一个重复贝叶斯-斯坦科尔伯格博弈过程.基于此从该组网络集中挑选出一个受训练的网络对...     

一种基于遗传算法的优化排料方法

采用遗传算法和排料约束条件相结合的方式来解决优化排料问题.详细介绍待排零件最优位置的计算方法,并对优化排料问题中的快速靠紧问题提出了一种有效的解决方案.实验结果表明提出的方法是有效的.     

基于贝叶斯概率优化的Wi-Fi室内定位算法

Wi-Fi指纹匹配定位算法具有简单、快捷、方便、经济、易普及等诸多优点,但对位置指纹的匹配精度较低.对此,提出一种贝叶斯与加权K近邻算法相结合的贝叶斯概率优化算法,应用于Wi-Fi指纹匹配定位,在提高传统加权K近邻算法精度的同时,减少了贝叶斯概率匹配算法的平均运行时间.实验结果显示,该算法可以将1 m内的定位精度从原先...     

基于贝叶斯网络的关键链技术研究

软件开发中不可避免地要协调资源、进度与质量之间的关系.提出基于贝叶斯网络的关键链技术,用关键链技术来确定项目的关键路径,对关键路径上的节点建立贝叶斯网络,及时调整不合理的进度计划或预知开发中存在的问题,从而极大地提高了项目的成功率.     

基于遗传算法的Bayesian网结构学习研究

从不完备数据中学习网络结构是Bayesian网学习的难点之一,计算复杂度高,实现困难。针对该问题提出了一种进化算法。设计了结合数学期望的适应度函数,该函数利用进化过程中的最好Bayesian网把不完备数据转换成完备数据,从而大大简化了学习的复杂度,并保证算法能够向好的结构不断进化。此外,给出了网络结构的编码方案,设计了相应的遗传算子,使得该算法能够收敛到全局最优的Bayesian网结构。模拟实验结果表明,该算法能有效地从不完备数据中学习。     

基于贝叶斯方法的知识发现

贝叶斯方法是概率统计学中一种很重要的。方法贝叶网络就是根据各个变量之间概率关系用图论方法建立的模型,本文概率统计图的贝叶斯规则应用于知识发现。建立图论模型进行数据挖掘,文章最后应用贝叶斯网络对于实际的数据库进行知识发现,其结果说明了这种方法的有效性。