基于因果自回归流模型的因果结构学习算法

因果自回归流模型已经在非独立噪声等场景的因果方向推断问题上取得了一定的进展,但在多个结点的场景下仍存在全局结构搜索带来的准确度低和计算时间复杂度高的问题。面向非时序观察数据设计一种两阶段因果结构学习算法。在第一阶段,基于观测数据的条件独立性,对完全无向图通过条件独立性检验得到基本的因果骨架;在第二阶段,基于因果自回归流模型,通过标准化流的方法计算骨架中每条无向边在不同方向上的边缘似然概率,进而通过比较边缘似然概率进行因果方向推断。实验结果表明：该算法在多组不同参数生成的仿真因果结构数据集上均有较好的表现,与现有的主流因果结构学习算法相比,F1值平均提升15%～28%;在真实因果结构数据集实验中,该算法能够较为完整准确地学习到变量间的因果关系,与主流的因果结构学习算法相比,F1值平均提升28%～48%,具有更强的鲁棒性。     

一种基于高阶累积量的运动目标检测新方法

文章提出一种基于高阶累积量的序列图象运动目标检测方法。该方法对传统方法进行改进,引入高阶累积量作为运动目标边界的判据,能有效抑制高斯噪声影响,较好地检测出运动目标的边界。大量实验验证了文中方法的有效性和实用性。     

利用高阶累积量进行时延估计的方法

文章介绍了一种利用高阶累积量进行时延估计的新方法。利用四阶累积量代替二阶相关函数,可以克服相关法在相关高斯噪声干扰中估计性能下降的缺点。新方法可以利用FFT进行快速运算。计算机仿真结果表明,当存在高斯相关噪声干扰时,该方法的估计性能优于广义相关法。     

一种任意分布下的隐变量因果结构学习算法

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息（如四分体约束）或引入非高斯假设（如三分体约束）来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。     

基于十字阵的高阶累积量DOA估计算法

基于十字阵的改进高阶累积量DOA估计算法是十字阵导向矢量模型的基础上实现了的Music算法.首先将Music算法中的二阶累积量扩展到四阶累积量,然后对协方差矩阵进行分解,得到高分辨率的DOA估计.改进算法相对于等距线性阵列的Music算法具有全方位定位、阵元数少的特性.且在有色高斯噪声环境下具有很好的谱估计性能.改进算法还对初始采样信号进行了DFT预处理,以克服高阶累积量计算量大的缺点.仿真实验表明,算法计算量少且分辨率高.     

基于高阶累积量的盲反卷积算法的比较

通过对高阶统计理论以及对建立在高阶统计理论基础上的累积量盲反卷积算法的分析与研究,研究了两种基于高阶累积量的盲反卷积算法的原理,并且通过这两种算法对信号的处理结果,比较了这两种算法的性能.     

用高阶累积量提取高斯噪声中信号的研究

在噪声中提取信号一直是微弱信号检测及数字信号处理领域里研究的重要问题，本文介绍的最如何利用高阶累积量提取高斯噪声中的信号，可以证明了，对于高斯噪声，它的三阶或三阶以上的累积量为零，因此，通过计算高斯噪声的高阶累积量可达到抑制噪声的目的。     

基于级联加性噪声模型的因果结构学习算法

现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。     

基于高阶累积量的数字调制信号识别

利用接收信号的高阶累积量为特征参数,实现了对多种常用数字调制信号(2ASK/BPSK,4ASK,QPSK,8PSK,2FSK,4FSK)的分类识别.由于信号六阶以上累积量的计算过于复杂,在选取特征参数方面主要利用信号的二、四阶累积量.8PSK与MFSK信号的二、四、六阶累积量的值均相同,直接计算无法区别.针对这一问题,首先对8PSK和MFSK信号求微分再利用四阶累积量来进行识别.实验证明,所提取的特征能够有效抑制高斯白噪声的影响,并且计算简单,便于实现.当信噪比为8 dB时,识别率基本达到100%.与已有算法的比较,结果证明了该算法的优越性.     

基于高阶累积量的Hammerstein模型记忆效应辨识

旨在研究存在加性高斯噪声时,Hammcrstcin模型的记忆效应辫识问题。在输入信号统计量和Hammcrstein模型的无记忆非线性效应均未知的情况下,利用模型输出信号的高阶累积量建立两种线性方程组,并从理论上证明了两种线性方程组均具有唯一解;提出将两个线性方程组结合使用的系数提取方法,其过程不受Hammerstein模型的无记忆非线性模块影响。最后的仿真结果表明,在高斯(有色或无色)噪声存在的情况下,此类辫识方法比直接提取参数法具有更好的数值鲁棒性。     

基于多组典型相关变量的因果关系发现算法

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系,无法适用于多组观察变量,为此提出了一种多组典型相关变量的因果关系发现算法。首先,引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函数;然后,采用梯度上升的方法求解目标函数,构建多组典型相关变量的因果关系网络。模拟实验验证了该算法的有效性,并在移动基站数据上发现了一批有价值的多组无线网络性能指标间的因果关系。     

Learning linear non-Gaussian networks: A new view from matrix identification

Identifying causal structures from observations is fundamental in many applications. Probabilistic graphical models provide a unifying framework for capturing complex causal dependencies among random variables. Recently, a linear non-Gaussian acyclic model (LiNGAM) and some smart algorithms (ICA-LiNGAM, DirectLiNGAM) have been proposed, which outperform previous graphical models and learning methods in identifying variable orders. We propose new solutions (TMFLiNGAM, SchurLiNGAM and RCLiNGAM) to the LiNGAM learning task from the perspective of matrix identification. TMFLiNGAM and SchurLiNGAM recover orders more directly, and RCLiNGAM can improve the accuracy of previous algorithms on uniform and sparse structures. The perspective also facilitates the learning of sparse models where the performance of all independent component analysis-based algorithms can be improved by reconstructing variable orders from the inverse of separation matrices. Experimental results under various settings provide average evaluations over the learning methods, and verify the effectiveness of our perspective and algorithms.     

新的贝叶斯网络结构学习方法

贝叶斯网络是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的表示模型,它描述了数据项及数据项之间的非线性依赖关系.报告了贝叶斯网络研究的现状,并针对传统算法需要主观规定网络中结点顺序的缺点,提出了一个新的可以在无约束条件下,根据观测得到的训练样本集的概率关系,自动完成学习贝叶斯网络结构的新方法.     

基于因果语义定向的贝叶斯网络结构学习

基于变量之间基本依赖关系、基本结构、d-separation标准、依赖分析思想和混合定向策略,给出了一种有效实用的贝叶斯网络结构学习方法,不需要结点有序,并能避免打分-搜索方法存在的指数复杂性,以及现有依赖分析方法的大量高维条件概率计算等问题。     

基于属性选择的因果网络多传感器融合系统

针对粗集“简化”在实际应用中存在的问题提出了“统计简化”的定义和相应属性搜索算法，利用此算法对一个水域污染监测信息表进行属性简化，结果显示与常规算法相比，此算法得到的结果能够覆盖最大数量的对象，更不易失配，利用简化结果对上述数据融合系统建立了因果网络模型，实验表明，在保持原型搜索正确率的同时，新模型压缩了搜索空间，提高了搜索效率，此外，为便于因果网络的建立导出了因果连接强度的粗集表达式。     

BIC-based node order learning for improving Bayesian network structure learning

Node order is one of the most important factors in learning the structure of a Bayesian network (BN) for probabilistic reasoning. To improve the BN structure learning, we propose a node order learning algorithmbased on the frequently used Bayesian information criterion (BIC) score function. The algorithm dramatically reduces the space of node order and makes the results of BN learning more stable and effective. Specifically, we first find the most dependent node for each individual node, prove analytically that the dependencies are undirected, and then construct undirected subgraphs U_G. Secondly, the U_G- is examined and connected into a single undirected graph U_GC. The relation between the subgraph number and the node number is analyzed. Thirdly, we provide the rules of orienting directions for all edges in UGC, which converts it into a directed acyclic graph (DAG). Further, we rank the DAG’s topology order and describe the BIC-based node order learning algorithm. Its complexity analysis shows that the algorithm can be conducted in linear time with respect to the number of samples, and in polynomial time with respect to the number of variables. Finally, experimental results demonstrate significant performance improvement by comparing with other methods.     

基于拓扑序列和量子遗传算法的贝叶斯网结构学习

贝叶斯网是处理不确定性问题知识表示和推理的最重要的理论模型之一,其结构学习是目前研究的一个热点。提出了一种基于拓扑序列和量子遗传算法的贝叶斯网结构学习算法,新算法首先利用量子信息的丰富性和量子计算的并行性,设计出基于量子染色体的拓扑序列生成策略提高了搜索效率,并为K2算法学得高质量的贝叶斯网结构提供了保障;然后采用带上下界的自适应量子变异策略,增强了种群的多样性,提高了算法的搜索能力。实验结果表明,与已有的一些算法相比,新算法不仅能获得较高质量的解,而且还有着较快的收敛速度。     

Self-regularized causal structure discovery for trajectory-based networks

Trajectory-based networks exhibit strong heterogeneous patterns amid human behaviors. We propose a notion of causal time-varying dynamic Bayesian network (cTVDBN) to efficiently discover such patterns. While asymmetric kernels are used to make the model better adherence to causal principles, the variations of network connectivities are addressed by an adaptive over-fitting control. Compact regularization paths are obtained by approximate homotopy to make the solution tractable. In our experiments, cTVDBN structure discovery has successfully revealed the evolution of time-varying relationships in a ring road system, and provided insights for plausible road structure improvements from a traffic flow dataset.