基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。     

贝叶斯估计器先验模型参数的迭代感知方法

充分利用先验信息是提高统计推断性能的有效途径之一。贝叶斯估计的先验信息模型参数必须在设计阶段确定下来,与待探测环境模型参数之间必然存在不一致性,从而有可能导致估计质量的下降。该文首先给出了基于估计性能的先验模型参数感知的一般性框架。基于该框架,针对白高斯噪声中直流信号的贝叶斯估计器,分析了先验失配条件下的估计性能,给出了一种先验模型参数迭代感知的算法。利用计算机仿真分析了该估计器性能对先验模型参数的敏感性和稳健性,分析了不同条件下的迭代感知过程。计算机仿真结果表明,该文给出的迭代感知方法建立了从估计性能到先验模型参数的反馈,通过估计器与待探测场景的多次交互,可以使得先验模型与当前场景模型匹配。     

基于决策树与朴素贝叶斯分类的入侵检测模型

入侵检测要求系统能够快速准确地找出网络中的入侵行为,因此对检测算法的效率有较高的要求。针对入侵检测系统效率和准确率偏低,系统的误报率和漏报率偏高的问题,在充分分析C4.5算法和朴素贝叶斯(NB)算法后,提出一种二者相结合的H-C4.5-NB入侵检测模型。该模型以概率的形式来描述决策类别的分布,并由C4.5和NB概率加权和的形式给出最终的决策结果,最后使用KDD 99数据集测试模型性能。实验结果表明,与传统的C4.5、NB和NBTree方法相比,在H-C4.5-NB中对拒绝服务(DoS)攻击的分类准确率提高了约9%,对U2R和R2L攻击的准确率提高约20%~30%。     

河网中具有时空关系的异常事件在线检测

当网络异常事件发生时,传感器节点间的时空相关性往往非常明显.而现有方法通常将时间和空间数据性质分开考虑,提出一种分散的基于概率图模型的时空异常事件检测算法.该算法首先利用连通支配集算法(CDS)选择部分传感器节点监测,避免监测所有的传感器节点;然后通过马尔可夫链(MC)预测时间异常事件;最后用贝叶斯网络(BN)推测空间异常事件是否出现,结合时空事件来预测异常事件是否会发生.与简单阈值算法和基于贝叶斯网络算法对比,实验结果表明该算法有高检测精度、低延迟率, 能大幅降低通信开销,提高响应速度.     

基于PAC-Bayes边界理论的SVM模型选择方法

PAC-Bayes边界理论融合了贝叶斯定理和随机分类器的结构风险最小化原理,它作为一个理论框架,能有效评价机器学习算法的泛化性能。针对支持向量机（SVM）模型选择问题,通过分析PAC-Bayes边界理论框架及其在SVM上的应用,将PAC-Bayes边界理论与基于交叉验证的网格搜索法相结合,提出一种基于PAC-Bayes边界的SVM模型选择方法（PBB-GS）,实现快速优选SVM的惩罚系数和核函数参数。UCI数据集的实验结果表明该方法优选出的参数能使SVM具有较高的泛化性能,并具有简便快速、参数选择准确的优点,能有效改善SVM模型选择问题。     

基于证据理论/层次分析法的贝叶斯网络建模方法

针对依据专家知识推断贝叶斯网络中条件概率表(CPT)时存在的个体推断信息缺乏完备性和精确性以及整体集成结果缺乏科学性的问题,提出了基于证据理论/层次分析法(DS/AHP)的能够从专家推断信息中提取最优条件概率的方法.首先,通过引入DS/AHP方法中的知识矩阵提出了有利于实现判断对象更直观、判断方式更完善的推断信息提取机制;其次,在此基础上遵循由前至后的推断顺序提出了贝叶斯网络的构建过程;最后,应用传统方法与提出方法对同一贝叶斯网络中的缺失条件概率表进行了推断.数值对比分析表明,所提方法能够在提高计算效率的同时将累计总偏差降低41%,验证了所提方法的科学有效性和应用可行性.     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

基于贝叶斯网络的项目组合风险度量

项目组合的交互效应特性使得项目组合风险不能通过单个项目风险的线性叠加获得。基于贝叶斯网络建模提出了一种项目组合风险度量的新方法。该方法通过将专家知识与K2算法相结合,求得项目组合风险的贝叶斯网络结构,并通过度量交互效应对项目风险的影响计算网络中每个节点的条件概率表,实现项目组合风险的贝叶斯网络推理。为了得到K2算法所需的有序节点输入,计算项目风险间的互信息,并基于互信息与条件独立检验求得项目节点的顺序。最后通过一个高新技术企业项目组合的应用实例说明该方法的实用性和有效性。     

基于故障树法和贝叶斯网络的扣件钢管脚手架风险研究

针对脚手架坍塌事故在工程项目中发生比较频繁,造成的后果比较严重。通过运用贝叶斯网络的故障树方法,不仅避免了传统故障树法的缺点,也定量找出脚手架坍塌事故的主要因素。首先应用故障树法建立风险因素之间的逻辑关系,并按照转化规则将故障树模型转化成贝叶斯网络模型,应用贝叶斯网络的推理能力计算出脚手架坍塌的先验概率以及各底事件的后验概率。另外,一个事件不能仅仅用发生和不发生描述,所以将部分基本事件由二态修正成三态,计算出先验概率和后验概率。通过以上得到的结果进行对比分析,从而表明,考虑事件的多态性可以更加准确的得到事件的概率分布。最后针对脚手架中发生后验概率比较大的事件,提出一些预防脚手架坍塌的措施。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。