贝叶斯网络参数的在线学习算法及应用

以EM算法为基础，在给定贝叶斯网络结构情况下。研究分析了Voting EM算法并利用该算法对防洪决策贝叶斯网络进行在线参数学习，将该算法与EM算法的学习结果进行了比较分析，结果表明Voting EM算法不但能够进行在线参数学习，而且也具有较高的学习精度．     

并行的贝叶斯网络参数学习算法

针对大样本条件下EM算法学习贝叶斯网络参数的计算问题,提出一种并行EM算法(Parallel EM,PL-EM)提高大样本条件下复杂贝叶斯网络参数学习的速度.PL-EM算法在E步并行计算隐变量的后验概率和期望充分统计因子;在M步,利用贝叶斯网络的条件独立性和完整数据集下的似然函数可分解性,并行计算各个局部似然函数.实验结果表明PL-EM为解决大样本条件下贝叶斯网络参数学习提供了一种有效的方法.     

贝叶斯网学习算法模型及参数学习算法

1 引言近年来,贝叶斯网(又称随机信息网)作为处理人工智能中不确定性问题的建模工具受到学术界的广泛关注,并成功地应用在医学诊断、模式识别、故障诊断各个方面。作为一种有向图表示的建模方法,贝叶斯网由于其表达方式自然、紧凑,深受知识工程师喜受,已广泛地用于知识获取和表示。但是,利用专家知识构造贝叶斯网是一件烦琐的工作,特别是网络节点数很大时更是这样。因此,利用数据例子,通过学习自动生成贝叶斯网的方法日益受到重视,有一些学习     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

贝叶斯分类算法在车险行业的应用

在信息迅猛发展的21世纪,一系列挖掘算法不断改进,使之体系结构更加科学化。在庞大的挖掘算法体系结构下,分类算法的研究应用于多种领域,但目前少有对车险行业的科学研究。下面将围绕其分支——朴素贝叶斯分类算法,从原理及其发展近况、优点及其局限性展开对车险行业续保意愿问题的研究与分析,并检验其结果的有效性。     

贝叶斯算法在文本自动分类系统中的应用

文本自动分类系统是信息处理的重要研究方向。它是指在给定的分类体系下,根据文本的内容自动判别文本类别的过程。本文将基于贝叶斯算法的文本分类技术。应用于Web文档进行自动分类,实验结果表明效果显著。     

聚类思想在贝叶斯算法中的应用

在数据挖掘过程中,缺损数据是不可避免的,因此,数据预处理是必不可少的前提工作。在传统的数据预处理工作中,朴素贝叶斯算法是最常用的缺损数据修补算法。然而,现实世界中的数据经常不满足其属性独立性假设,分类结果不令人满意。文章基于聚类分析思想,提出了一种改进的贝叶斯算法。对大量数据的计算结果表明此方法的合理性、可信度优于朴素贝叶斯算法。     

Hammerstein-Wiener系统的递推贝叶斯参数辨识算法

为了辨识一类非线性Hammerstein-Wiener系统,基于递推贝叶斯算法和奇异值分解,提出了一种两阶段在线辨识算法。该算法首先利用递推贝叶斯算法估计乘积项参数,然后利用奇异值分解得到待估计参数。仿真结果表明,所提算法可以以较小的计算量获得精度较高的参数估计值。     

朴素贝叶斯算法在支气管炎诊断中的应用

论文主要研究朴素贝叶斯算法在支气管炎诊断中的应用.首先,对支气管炎患者的问卷调查数据进行离散化处理,学习到支气管炎类型与病症症状的模型;然后基于此模型,利用朴素贝叶斯算法求出该模型的最大后验概率分布,从而确定患者所属的支气管炎类型.     

三次参数曲线段拟合算法的优化研究

目前出版的计算机图形学专著1,2,3,4和译著5,6都对三次参数曲线的参数拟合算法做了一些讨论,但在曲线方程确定下来后,如何进行快速的拟合,尚没有一个统一的优化算法。文章通过分析研究,给出了可适用于任意三次曲线段拟合的优化算法。     

遗传程序设计算法中选择调整参数的光滑拟合方法

对遗传程序设计(GP)算法中的适应度评价函数光滑拟合问题进行了研究,结合LAM(Linear Association Memory)和HJ(Hook和Jeevs)两种方法,估计GP树数值权值,以减少GP树适应度值评价的计算代价。提出了一种选择调整参数的新方法,同时,给出了一个数学例子,并与广义交叉实验B一样条函数仿真比较验证。     

贝叶斯框架下的LSSVM和贝叶斯网络及其应用

贝叶斯理论能够利用样本信息和先验知识,简化预测模型,优化参数.主要介绍了贝叶斯框架下的最小二乘支持向量机算法和贝叶斯正则化神经网络,贝叶斯框架下的最小二乘支持向量机能确定正则化参数和核参数,贝叶斯正则化网络能够自适应的调整网络的复杂度和网络的隐节点个数.以轻柴油的凝点、闪点、95%馏出温度3个关键指标输出为例分别建立了这两种预测模型,并且对结果进行了比较,仿真结果表明贝叶斯框架下的最小二乘支持向量机比贝叶斯正则化网络有更强的泛化能力,而且程序运行速度快,运算精度高.     

Doherty功放的贝叶斯正则化神经网络逆向建模研究

针对直接逆向建模方法精度低、稳定性差等缺点,提出了一种采用规则化函数为L1/2范数的贝叶斯正则化神经网络逆向建模方法,L1/2正则化使得网络结构具有稀疏性,能够缩小网络的规模、加快网络的训练速度,用贝叶斯正则化方法可以使网络的输出更加平滑,提高网络的稳定性和泛化能力。将此方法应用到Doherty功率放大器的设计中,在已知Doherty主功放效率、输出匹配端的S11和S21的情况下,分别仿真得出相对应的输出功率和f,可以简化设计过程。实验结果表明,此逆向模型求得的输出功率、与S11相对的f、与S21相对的f比直接逆向建模方法的均方误差分别减少了8.83%、9.30%和9.00%,运行时间分别减少了99.34%、99.40%和99.23%,解决了设计中的多解问题,可用于设计射频微波器件。     

Improving Bayesian Regularization of ANN via Pre-training with Early-Stopping

We propose a simple method that enhances the performance of Bayesian Regularization of Artificial Neural Network (ANN) through pre-training of initial network with the Early-Stopping algorithm. The proposed method is applied to the regularization of Feed-forward Neural Networks to regress three benchmark data series. Significant reduction in both the cross-validation error and the number of training over standard Bayesian Regularisation is achieved.     

协方差重置的两阶段递推贝叶斯参数辨识算法

为了在有色噪声干扰情况下获得无偏估计,基于辅助模型思想和分解技术,提出了一种带协方差重置的两阶段递推贝叶斯辨识算法。该算法首先把待辨识模型分解成两个虚拟子模型,然后分别辨识;同时,把估计到的噪声方差引入算法,并加入了一种新的协方差重置方法。计算量分析表明,与带协方差重置的最小二乘算法相比,所提算法可以减少计算量。仿真结果显示,所提算法的估计误差比传统最小二乘算法要小。实例建模证明了算法的有效性。     

应用粒子群优化算法选择正则化参数

对正则化方法中正则参数的选择进行了研究,提出了利用粒子群优化算法获取正则参数的方法,通过数值模拟实验,对比了该方法与遗传算法,通过图像恢复实验,比较了传统正则化滤波方法和所提出的方法,实验结果表明,所提出的方法在处理不适定问题时更具有优越性,是一种实用有效的方法。     

基于有监督Bayesian网络的垃圾邮件过滤

对影响邮件特性的邮件报文格式作了仔细的分析并对垃圾邮件的特征进行了分类归纳,在此基础上构建了一个有监督的Bayesian邮件分类网络。通过对该网络作Bayesian参数估计,实现了判定邮件类别的不确定推理。对不同邮件测试集的在线学习试验结果表明,有监督Bayesian邮件分类网络能够有效地实现垃圾邮件的相对完备特征学习,改善邮件过滤的准确率。     

差分进化算法在双指数拟合中的应用

利用差分进化算法较好地解决了一元四参数双指数和两元三参数双指数拟合问题。与传统优化算法相比,不受初值的影响,并具有全局收敛性,与PSO算法相比,收敛速度快,是一种求解非线性约束优化问题的有效方法。     

多项式拟合在log-add算法单元中的应用及其FPGA实现

综合考虑面积和速度等因素,采用一次多项式拟合实现了简单快速的log-add算法单元。实验结果表明,在相同的精度要求下,其FPGA实现资源占用合理,硬件开销好于其他次数的多项式拟合实现方案。     

基于高斯拟合的神经网络血压测量算法

针对示波法血压测量的准确性提出一种改进方法。和以往脉搏波的提取方法不同,采用2个高斯函数之和作为模型对脉搏波包络线进行拟合。以拟合后的高斯函数参数为输入,通过2个前馈神经网络进行收缩压和舒张压的判定。实验表明:和幅度系数法相比,该算法在准确性上有了明显提高。