贝叶斯学习中基于贝叶斯判别分析的先验分布选取

In this paper we propose an experimental method to choose a prior distribution. Different from many re-searchers, who offered lots of principles that separated from sample information, we consider it a Bayesian discrimina-tion problem combining with the sample information. We introduce the concept of Posterior belief about prior distri-butions. With the well-known Bayes theorem we give out a formula to calculate it and propose a method to discrimi-nate a prior between prior distributions-Highest Posterior Belief (HPB). We also show that under certain condition,the HPB method is identical with the ML-Ⅱ method.     

基于Normal-Gamma共轭先验优化因子分析的图像去噪算法

采用传统因子分析(Fact Analysis, FA)模型进行噪声抑制时存在因子个数难以确定、噪声抑制后图像质量下降等问题,基于贝叶斯决策理论提出一种Normal-Gamma共轭先验优化FA模型的图像去噪算法,利用Normal-Gamma分布对FA加载因子和隐变量的概率分布建模,一方面对不适定噪声抑制问题正则化,另一方面提高模型的稀疏性,增加参数估计稳定性,采用变分贝叶斯期望最大(Variational Bayesian Expectation Maximum, VBEM)算法对模型求解,自动确定因子个数的同时提升噪声抑制性能。基于标准图像数据集的实验结果表明,所提算法在实现噪声抑制的同时较好地保留了图像的边缘和纹理等细节信息,并且能够明显提升低信噪比条件下的图像识别性能。     

贝叶斯学习中的线性联合先验

提出了贝叶斯学习中先验分布选取的一个新技术。该技术将若干个可能的先验进行加权平均,形成一个以权重为参数的线性联合先验,并通过选取权重参数得到一个最合适先验的一个近似。证明了线性联合先验的似然与其组合参数的似然的等价性,并提出了用极大似然或矩估计的方法来确定权重参数的值,从而得到一个最合适的线性联合先验。提出的线性联合先验及确定方法,使得可以利用样本数据对已知先验进行校正,导出未被发现的更合理的先验,从而使贝叶斯学习更为有效。     

基于先验贝叶斯推断验证法的高可靠性评估

评估是保证高可信软件中高可靠性的重要手段。传统的评估方法要么不适应高可靠性的特点,要么不符合真正意义上的评估。基于现状,提出了一种基于先验贝叶斯推断验证的评估方法,该方法不仅利用了先验贝叶斯推断验证法的优势,而且结合了二分查找算法的迭代理论,二者结合起来实现了真正意义上有效的高可靠性评估。实例应用证明,这种评估方法比较客观、可行,具有较高的实用价值。     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

贝叶斯网络的非忠实性分布

贝叶斯网络是图论和概率论有机融合的概率图形模型,主要用于统计推理和智能数据分析．理论上通常假设由基于分布的独立关系可推出基于图结构的d-分割,即贝叶斯网络上的分布是忠实的．针对布尔域上的贝叶斯网络,研究了非忠实分布的构成,提出了贝叶斯网络上分布延拓的概念,得到忠实分布与非忠实分布的平凡延拓均是非忠实分布．     

基于贝叶斯网络模型的电子装备故障诊断研究

针对电子装备故障的层次性、相关性、不确定性特点,结合贝叶斯网络在处理不确定性问题上的优点,提出了电子装备故障诊断的贝叶斯网络方法;研究了基于故障树分析和故障模式、影响、危害度信息的贝叶斯网络模型建立方法,分析了贝叶斯网络的故障预测和推理原理,确立了各底事件对故障诊断的重要度,形成了故障诊断的合理顺序,通过实例验证了上述方法的可行性和有效性;研究成果对复杂电子装备的故障诊断有借鉴意义。     

基于贝叶斯网络模型的纹理分析及分类

用贝叶斯网络对纹理图像建模,并基于此模型给出了一种纹理分类的方法.把纹理图像在一个窗口内各个像素的灰度值看作贝叶斯网络的一次实现,通过训练得到各类纹理所对应贝叶斯网络的结构和参数,用纹理图像像素点在网络中的条件概率分布作为特征进行纹理分类.实验结果证明了该方法的有效性.     

基于先验分布活动轮廓模型的纹理缺陷检测

在工业产品的表面缺陷检测中,计算机视觉逐渐取代人工视觉,这是工业自动化的重要标志之一.而产品的表面纹理对缺陷检测的干扰一直是个难点.从图像分割的角度出发,以缺陷为目标,将纹理表面作为背景提取产品的表面缺陷.基于非参数统计活动轮廓模型提出一种先验分布模型,即以纹理的灰度分布作为背景的先验信息,使得算法更容易区分纹理背景和缺陷.实验结果表明,所提出的算法适用于不同纹理背景的缺陷检测,能准确地提取缺陷位置.     

基于贝叶斯网络的新媒体事件分类模型

为了对新媒体事件进行准确有效分类,提出一种将K-means算法和贝叶斯网络相结合的混合算法。该算法首先运用K-means算法将训练样本聚类,再根据聚类的结果,运用改进的贝叶斯网络对新媒体事件进行分类。其中,层次贝叶斯网络模型的构建,避免了贝叶斯网络在参数学习时陷入局部寻优;同时引入隐藏节点,更大程度满足了贝叶斯网络的条件独立假设。实验结果表明该算法效果明显。     

基于预测能力的贝叶斯网络分类器学习

分析了贝叶斯分类器家族中有代表性的分类器;给出变量之间预测能力的概念及估计方法,在此基础上建立了基于变量间预测能力的贝叶斯网络分类器结构学习方法,并使用UCI数据进行分类实验.实验结果显示,该方法能够有效地进行贝叶斯网络分类器学习,使得贝叶斯网络分类器倾向于简单化,具有较强的分类能力.     

基于贝叶斯网络的Web服务组合故障诊断

提出一种利用贝叶斯网络对Web服务组合故障原因进行诊断的模型,对该模型中贝叶斯网络拓扑结构的构造以及网络参数的赋值方法进行了详细说明。然后,基于构造的贝叶斯网络,提出Web服务组合的故障检测算法并对其进行了分析。实验模拟表明,提出的模型能有效地识别Web服务组合流程错误的根本原因。     

基于贝叶斯网络的超速离心机故障诊断专家系统研究

研究了一种超速离心机故障诊断专家系统。系统采用人机对话方式,以专家知识库为基础,对离心机运转时的实时数据采样或者通过人工对界面输入故障征兆知识;采用贝叶斯网络方法进行推理,从而诊断出故障原因和各原因可能发生的概率。使维修更具针对性,实现智能化超速离心机故障诊断,提高了设备可靠性与安全性。     

基于模糊BP神经网络的模拟电路实时故障诊断

以进行模拟电路实时故障诊断为主要目的,对BP神经网络故障字典法进行了深入研究,针对传统BP算法收敛速度慢、易产生局部最优等不足,采用神经网络与模糊理论相结合的方法,根据模式识别原理实现模拟电路故障的实时诊断。实验结果表明:该算法在网络收敛速度和识别精度上较传统的BP算法均有明显的改善。     

基于贝叶斯网络的分层网络故障诊断

本文以SNMP网络管理模型的管理信息库（MIB）为基础,在不同层次上构建了用于故障判别与定位的贝叶斯网络。对MIB变量采用自适应自回归（AAR）模型建模分析,构建与其相关协议之间的贝叶斯网络,推断协议功能是否发生异常。分析各个协议之间的功能依赖关系,构建协议间的贝叶斯网络,定位协议间的故障根源。考虑网络中故障传播构建了基于网络拓扑的贝叶斯网,定位故障根源节点。最后,对构建的模型进行了实验仿真,并分析了模型的优点和缺点。     

先验信息不确定条件下贝叶斯网结构学习方法

针对先验信息不确定条件下的贝叶斯网络学习问题,提出了一种非确定先验结构信息贝叶斯网络的结构学习方法。主要在以下几个方面开展了工作：提出了一种贝叶斯网络结构的不确定先验信息表示方法;改进了MDL测度,提出了SMDL测度,使之能在学习过程中考虑先验信息的不确定性;基于模拟退火算法,对问题进行求解。最后通过实验对算法的可行性进行了验证。     

贝叶斯网络在电子系统故障诊断中的应用研究

电子系统大多结构复杂,各组成模块存在错综复杂、相互影响的关系,另外测点较少且测点数据常常是不完备的。针对此类情况,以某电源系统为研究对象,提出了基于贝叶斯网络的电子系统故障诊断方法。首先依据系统的结构获得其因果图,并对各测点信号进行离散化处理;其次建立用于故障诊断的贝叶斯网络模型,并且根据历史数据完成该网络的参数学习,最后利用获得的事实来实现故障的诊断。仿真结果验证了该方法的有效性,为电子系统的故障诊断提出了一种新的思路。     

基于贝叶斯模型的IP网拥塞链路诊断算法

通过端到端路径的性能判断IP网络运行状态的方法可以以较小的代价诊断网络故障,但目前已有的端到端技术仍然存在两个主要问题：1)端到端的探测数量不足以准确定位每条链路的拥塞状态;2)随着网络规模的扩大,诊断所消耗的计算时间过长,无法达到实时性的要求。为解决以上问题,提出一种基于贝叶斯模型的高效拥塞链路诊断算法。所提算法将拥塞定位问题建立成贝叶斯模型,将模型进行二次化简,并限制了同时发生拥塞的链路个数,从而在保证一定准确度的基础上大大降低了推理的计算复杂度。通过仿真与Planetlab实验将所提算法与Clink算法进行了对比,实验结果证明,所提算法具有更高的诊断准确度和更短的诊断时间。     

基于小波网络的配电网空间数据库故障诊断方法

在进行配电网空间数据库建模中,需要对空间数据库进行优化检测和诊断,提高配电网的稳定运行能力,提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型,采用高维特征分解方法进行配电网空间数据库的特征量化分解,结合小波网络学习方法进行配电网空间数据库故障状态特征提取,根据故障特征的聚类性进行配电网络空间数据库的结构重组和故障特性辨识,结合模糊统计分析方法,实现对配电网空间数据库的故障智能诊断。仿真结果表明,采用该方法进行配电网空间数据库故障诊断的准确性较好,分辨能力较强,提高了配电网空间数据库的稳定性。     

基于仿真数据的神经网络故障诊断方法

针对某些模拟电路的历史故障信息,专家知识及其诊断经验难以获取的状况,提出了一种基于仿真数据的神经网络故障诊断方法.通过使用PSpice电路仿真软件模拟实际电路,生成训练样本训练神经网络,从而建立了电路的输出响应与电路中元件实际值之间的映射.以电路的输出响应和技术指标为判断依据,诊断电路的当前状态,定位故障元件及其偏差.最后以带通滤波器电路为例,对整个过程进行了仿真试验,验证了方法的可行性.