基于高斯过程混合模型的瓦斯安全状态分类研究

针对目前瓦斯浓度预测与瓦斯安全状态分类方法中主观性较强、超参数难以选取、解释性差、无法有效地利用样本之间时序信息等问题,本文提出了基于高斯过程混合模型的瓦斯浓度预测与安全状态分类方法。高斯过程是机器学习领域中解决非线性回归问题的典型方法,能够有效地利用数据之间的相关性,常用于时间序列的建模与预测。然而,单个高斯过程存在着一定的局限性,难于对非平稳、多模态的数据进行有效地建模和回归分析。在高斯过程的基础上引入其混合模型,则可增强模型的表达能力,能够对有复杂结构的数据进行建模。我们将瓦斯安全状态根据风险由高至低分成红橙黄蓝四个等级,在每个风险等级上瓦斯浓度数据采用单个高斯过程进行建模。由于一般瓦斯浓度数据包含着各个风险等级的数据,高斯过程混合模型则可用于对整体数据进行建模和回归分析。根据对数据的参数学习结果,高斯过程混合模型便可自适应地得到每个时刻对应的风险等级,并在预测瓦斯浓度时对各个高斯过程分量的预测进行加权,得到更为鲁棒的预测结果。实验结果表明,基于高斯过程混合模型的方法可有效地预测瓦斯浓度、评估安全状态。      

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合（MGP）模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程（GP）的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归（GPFR）模型及其混合模型（MGPFR）进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。      

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法（niMGP）,并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其它传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。      

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

基于MPSR-MOGPR的平台误差系数建模预测算法

针对平台误差系数建模预测问题,提出了基于多变量相空间重构的多输出高斯过程回归预测算法。通过多变量相空间重构将两个相关性较强的平台误差系数重构在一个相空间中,采用多输出高斯过程回归模型同时预测这两个平台误差系数。该算法充分利用了两个误差系数之间的相关性,提高了预测精度,而且可以得到任意置信度下的预测均值和置信区间,为解决平台误差系数建模预测提供一条新的途径。     

基于改进GPR模型的发酵过程软测量建模

针对生物反应过程中许多关键参量难以在线检测的难题,提出了一种改进的高斯过程回归建模方法。由于传统高斯过程的均值函数不易确定,从而简单预置为零,导致模型对数据的解释性不够完全的缺点。改进的方法是利用一种组合基函数来确定高斯过程回归模型的一个非零均值函数,基函数的选取是通过高斯过程建立多项式回归噪声模型的方式推导而出,最后进行软测量模型的预测输出。基于氨基酸类典型菌种L-赖氨酸反应过程关键生物量参数预测的试验研究表明：与传统的高斯过程回归模型和支持向量机相比,改进的高斯过程回归模型具有更好的预测精度和泛化能力,能很好的跟踪预测值的变化趋势。     

一种改进的舰船合成孔径雷达图像分割方法

针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题,运用数理统计领域的方法,以舰船合成孔径雷达图像为研究对象,在深入分析经典K–Means聚类算法以及高斯混合模型之后,提出一个改进的高斯混合模型,用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进,同时,将传统高斯混合模型的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用梯度上升算法。仿真实验结果显示,研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。     

基于粗糙集理论的混合区间时间序列预测模型

在中长期风速预测过程中,大量的影响因素数据让预测模型越来越复杂。而预测方法中,线性建模方法和非线性建模方法对建模对象有着严格的要求。因此文章提出一种基于粗糙集理论的混合区间时间序列预测模型,通过粗糙集理论对决策数据的影响因子进行筛选,得到影响预测信息的关键因素,同时降低预测模型的输入变量个数。通过对ARIMA和ANN在线性和非线性预测上的优势进行分析和比较,提出一种结合两种预测模型的混合预测算法,并分析了其误差。     

基于逆高斯过程和证据推理的退化建模方法

为解决高可靠性设备的剩余寿命预测问题,针对寿命数据缺少、物理模型难以建立的情况,结合单调退化数据,采用逆高斯退化模型,对设备的退化过程进行建模;通过参数估计的方法得到退化模型,进而预测设备的剩余寿命。在有同批次多组数据都能对逆高斯模型进行参数估计的情况下,将会面临数据融合问题。采用基于证据推理(ER)的方法对多源数据进行融合处理,引入属性权重的概念,以此更加准确地估计逆高斯模型的参数。最后,通过实验仿真,证明了所提方法能够得到较为可信的参数估计结果。     

嵌入时延网络的高斯混合背景模型说话人确认

本文提出了一种嵌入时延神经网络(TDNN)的高斯混合背景模型(GMM UBM)说话人确认方法,它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。该方法利用时延神经网络挖掘特征向量集的时序性,然后把时间信息传递给GMM;并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。该方法利用极大似然概率作为训练准则,把高斯混合模型和神经网络作为整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用本文提出的方法结合TNorm比基线系统的等误差率(EER)降低28%。      

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.     

从高斯过程到高斯过程混合模型:研究与展望

高斯过程（GP）模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合（MGP）模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。      

基于灰色预测模型的电视频道热度预测

针对电视频道热度的预测可以为业务决策提供重要依据,电视频道热度受到多种复杂因素的影响,包括电视频道的播放内容及收视群体等因素.基于某地卫视频道一周的频道热度数据,利用灰色预测模型进行频道热度的短期预测,对预测值与实际采集值进行对比,结果证明在原始数据量少及样本种类单一的情况下,灰度预测模型能较好的对电视频道热度进行中短期预测.     

A Data Quality Management Maturity Model

Many previous studies of data quality have focused on the realization and evaluation of both data value quality and data service quality. These studies revealed that poor data value quality and poor data service quality were caused by poor data structure. In this study we focus on metadata management, namely, data structure quality and introduce the data quality management maturity model as a preferred maturity model. We empirically show that data quality improves as data management matures.     

Matrix-variate variational auto-encoder with applications to image process

Variational Auto-Encoder (VAE) is an important probabilistic technology to model 1D vectorial data. However, when applying VAE model to 2D image, vectorization is necessary. Vectorization process may lead to dimension curse and lose valuable spatial information. To avoid these problems, we propose a novel VAE model based on matrix variables named as Matrix-variate Variational Auto-Encoder (MVVAE). In this model, input, hidden and latent variables are all in matrix form, therefore inherent spatial structure of 2D images can be maintained and utilized better. Especially, the latent variable is assumed to follow matrix Gaussian distribution which is more suitable for describing 2D images. To solve the weights and the posterior of latent variable, the variational inference process is given. The experiments are designed for three real-world application: reconstruction, denoising and completion. The experimental results demonstrate that MVVAE shows better performance than VAE and other probabilistic methods for modeling and processing 2D data.     

基于SENET-DEEP的CTR预测方法

深度神经网络(Deep Neural Networks,DNN)在点击率预测(CTR)领域应用广泛。这些模型通对特征之间的交互和改变深度网络结构来优化CTR预测模型。然而现有的方法忽略了特征本身的重要性的对深度网络的影响,限制了模型的学习能力。为了更好地预测用户可能点击的对象,文章提出了基于SENET机深度网络(Squeeze-and-Excitation Deep Network,SENET-Deep)模型。该模型利用Squeeze-and-Excitation Networks(SENET)动态学习特征,同时引入深度神经网络提高了模型学习隐式交互的能力,既注重了在浅层网络中学习特征重要性的能力,也引入深层网络提高了模型的泛化能力。两个真实数据集的实验表明,文中提出的模型在点击率预测性能上有着明显的提升。     

基于结构相似度的图像去噪新方法

将结构相似度作为一种刻画忠诚项的度量用于图像去噪模型中。针对经典ROF模型忠诚项的约束项L2度量未考虑图像空间结构性而导致恢复图像视觉效果差的缺陷,引入结构相似度来改进模型的忠诚项,提出了一种新的去噪模型。为在去噪过程中,更好地保护图像的边缘,在此模型的基础上,文中还做了进一步改进,用非凸正则项代替TV正则项,得到推广模型。实验结果表明,相对于ROF模型,两个模型在有效去除噪声的同时,能更好地保持图像的结构信息,提高图像的视觉效果,且推广模型在图像边缘保护方面的性能更好。     

Close Packing PCSFSK Signals--Model and Simulation Results

In many signal processing satellite applications, it is necessary to pack as many bit-time unsynchronized, power imbalanced digital FDM users as possible into the available bandwidth. In certain important cases the on-board demodulator (which simultaneously detects each user bit-stream individually) is not able to maintain phase reference. Phase comparison sinusoidal frequency shift keying (PCSFSK), a phase incoherent demodulation method with low adjacent-channel crosstalk properties, has been proposed as one way of meeting the requirements mentioned above. This paper describes a mathematical model and computer simulation which have been used to analyze the effects of adjacent-channel crosstalk on bit-error rates for a PCSFSK demodulator. Both the model and the simulation are flexible enough to incorporate many users of various strengths and center frequency separations and may be modified to yield results for any phase comparison MSK-type modulation. The results of this work show very close agreement between the model's prediction and the simulation. User scenarios of interest involve from two to eight users both with and without additive white Gaussian channel noise. Of particular interest is the performance of one weak user among many stronger users. A typical example involves eight users, seven of which are 20-dB stronger in power than the user whose probability of error was monitored. In this case, a bit-error rate of 10^-3requires that adjacent users be separated in frequency by two times the data rate. If, however, all users are of equal strength, the minimum frequency separation need only be equal to the data rate. The above results indicate that close packing of signals is possible when incoherent detection (PCSFSK) is used, and that optimum user spacings can be determined if the relative power ratio between users is known.