MIMO系统的改进MCMC迭代检测算法

由于传统的马尔可夫链蒙特卡罗（MCMC）方法在高信噪比或迭代过程中,容易“陷入”某一采样状态从而影响到检测性能,本文提出一种改进的MCMC方法,基于最小均方误差(MMSE)检测算法确定采样初值,使马尔可夫链迅速收敛;对陷入状态下的采样序列,随机反转具有较大后验方差的比特,以增加有效的采样状态数．仿真结果表明,改进MCMC算法能改善系统的误码率(BER)性能、降低运算复杂度．     

频率选择性衰落中基于MCMC的调制分类

为解决在频率选择性衰落信道中,频偏、相偏和噪声功率等多参数未知的幅相调制信号的调制分类问题,提出一种新颖的基于马尔可夫链蒙特卡罗(MCMC)方法的调制分类算法．给出最大后验概率分类器框架,利用MCMC方法产生未知参数和发送符号的各态历经随机样本,用蒙特卡罗积分近似估计分类器框架中无法得到封闭表达式的后验概率,MCMC方法所用到的未知参数和发送符号的后验条件概率密度函数(pdf)由接收信号先验pdf推导得出．数值仿真证明了该算法的收敛性及分类器良好的分类性能．     

多径衰落信道中基于自适应MCMC的调制识别

针对多径衰落信道中幅相调制信号的类型识别问题,提出了一种基于自适应马尔可夫链蒙特卡洛（MCMC）--自适应Metropolis的改进算法. 该算法利用Markov链的历史信息自动调整建议分布函数的协方差矩阵,使其不断地逼近目标分布,从而避免了传统Metropolis算法中建议分布函数选取这一难题,并能有效地提高采样效率. 仿真实验表明,算法具有很好的识别精度,证明了算法的有效性.     

对带有有序分类变量的统计模型的贝叶斯分析

针对带有有序分类变量的非线性再生散度因子分析模型建立起了一套贝叶斯方法,在计算过程中,采用了结合Gibbs抽样和M—H算法的混合MCMC算法来产生阀值,结构参数和潜在变量的联合贝叶斯估计,此外,还建立起了评估模型合理性的拟合优度统计量,贝叶斯方法的具体应用通过数据模拟加以说明．     

偏正态空间自回归模型的贝叶斯估计

空间自回归模型是空间计量经济学研究中的一个重要模型,主要用于刻画空间单元间的相关性.在空间自回归模型的现有研究中,大都假设响应变量服从正态分布,然而,实际的数据可能呈现出非正态的情况,此时,仍然在正态假设下作统计推断会获得不合理甚至错误的结论.基于响应变量服从偏正态分布的假设,研究偏正态空间自回归模型的贝叶斯估计.借助Gibbs抽样和MH算法相结合的MCMC算法讨论该模型的贝叶斯估计.数值模拟和实证分析表明:1)提出的偏正态空间自回归模型与传统模型相比,可以更好地拟合偏态数据;2)采用MCMC算法对模型进行贝叶斯估计,可以更精准地估计未知参数.研究结果显示:采用MCMC算法得到偏正态空间自回归模型未知参数的贝叶斯估计值更精准.     

隐私保护-分布式挖掘中的改进型评价函数

隐私保护的目标是要在不精确访问真实原始数据的条件下,如通过病历,对乳腺癌的确诊,得到准确的模型和分析结果.研究了分布式环境下构造贝叶斯网络结构的K2算法的评价函数,并且以密码学中的两方安全计算为基础对该函数进行改进.通过理论分析和实验结果说明了改进的评价函数能够得到与原始的评价函数相同的贝叶斯网络结构.达到了数据垂直分布情况下隐私保护的目的.     

基于贝叶斯网络的轻度认知障碍诊断系统

提出一种基于依赖性分析和打分函数进行贝叶斯网络结构学习的新方法,并把该方法应用于轻度认知障碍诊断系统中。该算法首先通过对结点变量间的依赖性分析测试和无向图的遍历,获得贝叶斯网络结构中所有结点的先验顺序,然后用启发式打分-搜索方法获得最优的贝叶斯网络结构。实验结果表明,该算法能够在不增加算法复杂度的情况下,完成无结点顺序要求的贝叶斯网络学习,并能应用于轻度认知障碍诊断系统中,实现较好的预测,进而辅助医生的诊断。     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度.该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布.在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果.     

基于贝叶斯分层自回归时空模型的北京PM2.5预测

为解决PM_2.5的多站点同步预测问题,提出一种贝叶斯框架下的分层自回归时空模型.将PM_2.5日均浓度真实值视为潜在时空过程,利用一阶自回归过程刻画时间相关性,并基于Matérn过程捕获空间相关性,极大程度地提高了降维和同步预测的效率.此外,还将日最高温度、相对湿度和风速等气象因素作为解释变量,用于提升PM_2.5的预测效果.借助模型的分层结构,通过贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)算法实现参数估计和预测过程.对北京市日均PM_2.5浓度的实证分析表明,模型在空间和时间维度上均有良好的插值或预测效果.     

贝叶斯网络的结构学习综述

贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型,广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域.结构学习作为构建贝叶斯网络的基础,被证实为非确定多项式难题.文中将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据,将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法.根据上述分类方法,对现...     

基于改进贝叶斯的重型数控机床可靠性研究

重型数控机床在机械加工领域占据重要地位,因此提高其可靠性以及加工精度,对我国工业发展有重要意义。重型数控机床具有结构复杂、故障溯源困难、样本少、数据不足等缺点,因此对其进行可靠性研究比较困难。针对这一问题,采用双参数的威布尔分布建立机床的可靠性模型,引入贝叶斯理论对其进行参数估计,并通过马尔科夫链蒙特卡洛方法(MCMC)计算参数估计结果。对贝叶斯参数估计法中的待估参数进一步分析,得到多层次的贝叶斯模型,并通过参数仿真实验分析其准确性。采用标准均方根误差值及置信区间宽度进行模型优劣的对比,结果表明,改进后的贝叶斯方法参数估计结果精度更优,更有利于建立机床可靠性模型。     

贝叶斯改进BP神经网络在织物染色配色中的应用

针对BP算法及其改进算法泛化能力不强的问题,探讨了用贝叶斯正规化算法与LM算法的结合来提高BP神经网络的泛化能力。结果表明,在相同网络规模或误差条件下,贝叶斯正规化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快。因此文中把贝叶斯正规化算法与LM算法结合应用到了织物染色的计算机配色中,其预测的配方和实验的数据比较接近,证明了该方法的可行性。     

随机加速寿命试验的Bayesian分析

构建了随机加速寿命试验中Weibull分布下同归模型的似然函数.借助WinBUG软件利用 Markov Chain Monte Carlo原理对加速寿命试验中的相关参数后验值进行了Bayesian分析,数值仿真的结果证明了该方法的有效性.     

基于改进MS-EM算法的贝叶斯网络学习法构建基因调控网络

基因调控网络的重构是功能基因组中最具挑战性的课题之一.实验证明构建基因调控网络的最有前途的方法是贝叶斯网络.EM算法是一种有效的利用数据来学习贝叶斯网络的方法,能较好地处理构建基因调控网络中的数据缺失情况,但存在学习精度低、对初始参数值依赖的缺点.本文应用贝叶斯网络实现啤酒酵母细胞基因调控网络的构建,用改进的MS-EM算法进行学习,并实现实验结果的可视化.与现有文献比较,结果表明改进后的算法进一步降低了时间性能,提高了构建调控网络的精度.     

面向汽车运行工况设计的马氏链非等长交叉进化算法

为解决马尔科夫链和传统遗传算法设计汽车运行工况时效率低、质量差的问题,提出用于设计汽车运行工况的马氏链非等长交叉进化方法.设计子代满足马尔科夫链转移关系的非等长交叉算子,解除等位等长交叉段的限制,使遗传算法更好地适用于汽车运行工况的设计.根据试验数据,应用马氏链非等长交叉进化方法构建非等长初始种群,使用满意准则模型和指数加权平均数设定目标函数,设计三参数汽车运行工况.随机生成3种不同长度的三参数高速公路代表性工况.分析结果表明,期望运行工况与原始数据库特征参数的相对偏差均在设定范围内,速度和加速联合分布相关系数均高于90%,生成工况具有代表性.相比于马尔科夫链和传统遗传算法相结合的设计方法,马氏链非等长交叉进化方法的平均运行工况生成效率提高了66%,运行工况质量更优.     

一种基于K2结构学习算法的石漠化数据特征选择方法

在石漠化信息的分类和提取过程中,冗余特征的存在影响分类器的性能,同时增加计算的复杂度。提出一种基于K2结构学习算法的石漠化数据特征选择方法,该方法通过BIC评分方法得到贝叶斯网络的结构,从中获得类节点的马尔可夫覆盖,继而进行特征选择。同时借用不同评分函数的等价性来确定结构学习时所需的样本数,并且给出了样本数的参考。实验表明,该方法由于结合了样本的分类信息,获得的特征子集是最优的,显著提高了分类精度,降低了计算复杂度。     

贝叶斯网络杂交学习算法及其在中医中的应用

针对贪婪贝叶斯模式搜索算法(GBPS)在搜索最优贝叶斯网络结构时易陷入局部最优的不足，提出了一种改进的GBPS算法.在GBPS算法的邻域生成过程中引入了有向边的变向操作，并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响.将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系.结果表明，该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS).所发现的症状－辨证要素间的相关关系与中医专家经验吻合较好，可用于从中医诊断数据中自动获取中医专家知识.     

网络取证隐马尔可夫模型证据融合方法

针对网络取证因果关联证据融合方法存在的算法复杂、重现场景不够精确等问题,提出了基于隐马尔科夫模型的网络取证证据融合方法,阐述了应用隐马尔科夫模型进行证据融合的可行性。该方法以元证据序列作为随机观察序列,以网络入侵步骤作为随机状态序列,通过对元证据序列进行解码操作,找寻最可能的网络入侵步骤并据此回溯证据链。实验结果表明,与基于贝叶斯网络的多源证据融合方法相比,该方法的算法复杂度和抵御干扰项的能力均得到了明显的改善,该方法能够以较小的代价较精确地重现网络入侵的犯罪现场。     

基于MCMC的多维相关系数平稳序列

在相关系数平稳过程的基础上,提出了基于MCMC（Markov Chain Monte Carlo）方法来估计多维相关系数平稳序列模型的参数;给出基于贝叶斯估计的多维相关系数平稳序列模型参数的算法;在无先验信息条件下,模拟验证了用此方法估计二维相关系数平稳序列模型参数的有效性。