贝叶斯网络在模型诊断中的应用

把贝叶斯网络引入到模型诊断框架中,依据观测量,研究了一种建立系统贝叶斯网络观测模型的方法。利用网络观测模型,可计算系统诊断解的后验概率,从而找出系统最可能的故障组件。最后,以卫星两轴姿态控制系统为例,应用本文方法进行了分析。     

QPSO算法在朴素贝叶斯分类上的应用研究

朴素贝叶斯分类假定类条件独立,使得所选数据集的条件属性集在预处理时必须进行属性约简,如果处理不当,就会造成分类的不准确.本文分别对在训练集上随机选取的属性子集组成粒子,构造适应度函数,从而构建了朴素贝叶斯分类器,并利用量子粒子群算法对分类效果进行择优操作.实验证明,其分类效果优于传统的朴素贝叶斯分类方法.     

基于零知识交互式证明和Bayesian信誉网的小世界P2P模型

针对当前P2P(Peer-to-Peer)系统在网络拓扑和信誉评估机制结合方面的不足,设计一种基于角色和信誉访问控制机制的可信小世界P2P(SW-R2P)模型.模型使用零知识交互式证明(ZKIP)算法,在不传输节点身份相关信息的前提下安全地验证对等节点的组信息,并以此作为构建小世界网络拓扑的基础.通过Bayesian信誉网对节点和组的多方面信誉进行评估,从而影响节点的各种操作和组之间连接的建立.仿真实验结果表明,SW-R2P模型在资源查找成功率、网络聚合度以及节点信誉偏差等方面的性能优于Chord和R2P模型.SW-R2P模型结合了ZKIP算法、Bayesian信誉网和小世界拓扑的优势,实现了一种可信、安全和高效的P2P网络架构.     

Bayesian方法在建筑物检测中的应用研究

笔者以Bayesian网络作为工具,研究建筑图像中建筑物的识别问题.首先使用边界检测提取直线特征,生成二维假设.面对平行四边形空间中众多的假设,构建并使用Bayesian网络对已有假设进行选取,最终得到有用的建筑物信息.     

定数截尾数据缺失场合下k/N(G)系统可靠性指标的Bayes估计

在定数截尾缺失数据样本下,研究了不可修k/N(G)系统的可靠性指标评估问题。将经典估计方法和Bayes方法相结合得到了部件的平均寿命、系统可靠度及平均寿命等可靠性指标的Bayes估计。最后利用随机模拟例子说明了本研究方法的正确性和可行性。     

基于自学习规则和改进贝叶斯结合的问题分类*

根据对中文问题的分析可知,问题中的疑问词和中心词等关键词对问题所属类型起着决定性的作用。提出利用自学习方法建立疑问词—类别和疑问词+中心词—类别两种规则,并结合改进贝叶斯模型的问题分类方法。该方法充分利用了关键词对分类的贡献。实验结果表明,该分类方法有很大的改进,准确率达到了84%。     

动态网络中的高效多故障诊断技术

针对已有算法复杂度较高,不适用于规模较大网络的问题,将被管系统建立成动态贝叶斯模型,并提出一种能处理多故障的近似推理算法. 通过复杂度分析,证明该近似算法时间复杂度为多项式级,远远低于精确算法的时间复杂度下限,可以用于解决大规模动态网络的故障诊断问题. 实验结果证明,新算法在准确度方面虽然略低于精确算法,但执行效率上远远高于精确算法.     

A joint introduction to Gaussian Processes and Relevance Vector Machines with connections to Kalman filtering and other kernel smoothers

The expressive power of Bayesian kernel-based methods has led them to become an important tool across many different facets of artificial intelligence, and useful to a plethora of modern application domains, providing both power and interpretability via uncertainty analysis. This article introduces and discusses two methods which straddle the areas of probabilistic Bayesian schemes and kernel methods for regression: Gaussian Processes and Relevance Vector Machines. Our focus is on developing a common framework with which to view these methods, via intermediate methods a probabilistic version of the well-known kernel ridge regression, and drawing connections among them, via dual formulations, and discussion of their application in the context of major tasks: regression, smoothing, interpolation, and filtering. Overall, we provide understanding of the mathematical concepts behind these models, and we summarize and discuss in depth different interpretations and highlight the relationship to other methods, such as linear kernel smoothers, Kalman filtering and Fourier approximations. Throughout, we provide numerous figures to promote understanding, and we make numerous recommendations to practitioners. Benefits and drawbacks of the different techniques are highlighted. To our knowledge, this is the most in-depth study of its kind to date focused on these two methods, and will be relevant to theoretical understanding and practitioners throughout the domains of data-science, signal processing, machine learning, and artificial intelligence in general.     

基于层次隐马尔可夫模型和神经网络的个性化推荐算法

传统推荐系统将推荐准确性作为主要目标,而推荐结果的多样性和个性化有所欠缺。对此,设计一种基于层次隐马尔可夫模型和神经网络的推荐算法。采用层次隐马尔可夫模型建模用户喜好和上下文环境的关系,并通过隐马尔可夫模型预测上下文。设计神经网络结构来解决协同过滤推荐的问题,同时神经网络满足贝叶斯个性化排序的条件,实现对推荐列表的个性化排序。实验结果表明,该算法在保持推荐准确性的前提下,提高了推荐的多样性和个性化。     

结合Bi-2DPCA与CNN的美式手语识别

针对现有美式手语（ASL）识别算法准确率低和模型训练时间长的问题,提出一种结合双向二维主成分分析（Bi-2DPCA）与卷积神经网络（CNN）并基于贝叶斯优化的识别算法。利用Bi-2DPCA算法对原始图像做数据降维处理,提取行、列方向的特征图,使用卷积神经网络对特征图进行训练分类,同时采用贝叶斯优化算法对模型超参数进行自动调参。在24分类ASL数据集上的实验结果表明,该算法的识别准确率达到99.15%,训练时间相比传统CNN算法减少90.3%。