条件概率关系数据库模型

现实世界中大量存在着的不确定性信息，关系数据库模型仅视它们为空值，有必要增强其处理这类信息的能力，文章在总结前人工作的基础上推广关系数据库模型，创建有效处理随机型不确定性信息的条件概念关系数据库模型，该模型通过在关系模式中增加一个条件概率测度属性，为每条记录指定适当的条件概率的途径，来表示不确定性信息。文中以对象码为基本工具，创建了条件概率关系结构；以特征函数为基本工具，定义了一套基于该结构的代数运算规则。条件概率的语意比概率的语意广泛，灵活，因而该模型能有效克服概率关系模型的许多不足。     

基于学习风格模型的学生分组优化方法

分组学习通过组内成员的交流与优势互补实现更高效的学习。但随机分组或指定分组很难全面考虑学习风格对学习效果的影响。文章应用Felder-Silverman学习风格模型表达学习者特征,以组内学习风格多样性和组间学习风格均衡性为目标,采用人工蜂群算法优化分组。对比固定分组,优化分组可有效兼顾组内多样性和组间公平性。通过对比小组任务和个人任务得分率,证实了优化的分组可提高学习效果。     

基于对抗性样本的深度学习算法可靠性评估研究

介绍深度学习算法可靠性面临的安全隐患及对抗性样本对可靠性的影响;分析深度学习算法可靠性评估现状:目前业界缺乏对深度学习算法可靠性的系统性评估方法,一定程度上影响着深度学习的广泛应用和技术发展;依据团体标准《人工智能深度学习算法评估规范》(T/CESA 1026-2018)对深度学习算法可靠性评估进行探讨;采用白盒、黑盒实验方式研究对抗性样本对深度学习算法可靠性的影响,并将逐步在深度学习算法的测试评估中推广。     

小样本目标识别问题下的BN参数学习

目标识别问题中存在大量不确定信息, 利用BN可以对不确定信息及其相互关系进行学习与推理。但是, 目标识别问题的样本量较小, 在参数学习过程中, 常因观测数据不足产生误差, 需要引入单调性信息等专家经验, 针对这一问题, 提出最小元算法。首先, 利用最小元表达单调性信息, 将其转化为参数学习可以直接利用的先验信息; 然后, 基于保序回归思想, 对参数学习结果进行优化, 消除误差, 得到相对准确的网络参数。以空中目标识别为仿真背景, 与最小子集算法比较, 验证了该算法在准确度与复杂度等方面的优势。     

唯密文场景下的分组密码算法识别方法

唯密文场景下的分组密码算法识别方法研究,旨在探讨在仅知道密文的情况下,如何有效地识别出所使用的分组密码算法,这一问题的研究对于提高加密系统的安全性具有重要意义。通过对随机序列随机性检测方法的研究,基于集成学习模型构建了识别模型,实现了唯密文场景下的分组密码算法识别技术,可以有效提取密文数据特征,经实验验证,识别效果优于现有方法。     

深度学习常用模型及算法综述

文章主要介绍了目前比较成熟、应用较广的深度学习网卷积神经网络、循环卷积神经网络、深度信念网络、自编码器等模型结构和应用领域,及深度学习领域常用到的几种算法,最后对深度学习的发展前景进行了展望.     

模型转移概率自适应的交互式多模型跟踪算法

该文利用量测中所包含的当前模式信息,实现了马尔可夫转移概率的实时估计,并将估计结果用于交互式多模型跟踪算法(IMM)的设计中,构造出参数自适应的交互多模型跟踪算法(PAIMM),有效降低了人为因素的影响。通过一个跟踪机动目标的仿真实例,说明PAIMM算法的有效性。     

一种新的对称分组密码算法的设计

提出了一种采用256bit密钥对256bit明文进行加解密的对称分组密码算法，它利用本原多项式产生子密钥，采用移位、异或等操作增加加密系统的强度，并能在单片机上很方便地实现。     

采用方差模型概率的机动目标跟踪算法

针对交互式多模型(IMM)算法计算量大、模型切换时性能不佳的特点,提出了一种新的机动目标跟踪算法——方差模型概率(Variance Model Probability,VMP)算法。该算法结合多模型思想,利用当前量测残差在线推导模型方差,自适应调整模型概率。模型概率大小与方差成反比,滤波输出为各模型加权和。为减小量测噪声引起的误差影响,在设定的时间窗内求方差平均值。仿真结果表明,VMP算法不仅性能优于交互式多模型算法,同时也减少了计算量,提高了费效比。     

Bayesian网中概率参数学习方法

Bayesian网已经成为AI领域的研究热点,并在现代专家系统、诊断系统及决策支持系统中发挥着至关重要的作用.Bayesian网的研究主要集中在三个方面:知识表示、学习与推理.概率知识是Bayesian网坚实的数学基础,从数据中学习分布参数使得Bayesian网逐步走向现实应用.本文介绍和比较了概率参数学习的各种常用方法,并探求了它们在不同应用背景下的优缺点.基于经典统计学的方法理论成熟,计算简单,但它只利用了实例数据集合所提供的信息,无法加入专家知识,对实例数据的依赖性大;基于Bayesian有机结合了两类信息,对实例数据的依赖性降低,学习结果更加准确.参数学习是Bayesian网学习的基础,是Bayesian网结构学习必不可少的部分.     

A Novel Refined Track Initiation Algorithm for Group Targets Based on Group Model

Traditional refined track initiation methods for group targets have mistakes or loss of tracks when tracking irregular motions, for the reason that they rely on a stable relative position of group members. To solve the problem, a group dynamic model was introduced for proposing a new initiation algorithm and its whole framework. We made a self-adaptive improvement of the group separation on various group radii. After the pre-association of these groups, a state equation derived from the model was used for predictions of group members. Then a relational matrix was defined for refined data associations. Finally tracks were validated by logic-based method. Particular scenarios and Monte Carlo simulations showed that, compared with algorithms based on relative position, this algorithm has better performance on the adaptability to changes of a group structure and the correctness of initiation.     

应用粒子滤波及先验概率模型进行图像分割的新算法

基于粒子滤波在非线性非高斯情况下具有较好的预测结果,本文提出了一种自适应背景图像分割新算法,该算法利用粒子滤波对下一帧的前景区域进行预测,进而计算出下一帧各像素点属于背景的概率以指导下一帧图像分割;在前景像素值与背景像素值相近的情况下利用先验知识进行图像分割是一种较好的方法,本文以粒子滤波预测结果与先验概率模型计算结果的均值作为当前像素点属于背景的概率来进行图像分割,实验结果表明,该方法在背景变化范围较大的情况下,可以减少前景点误分割为背景点的概率.     

贝塔混合模型的变分贝叶斯学习及应用

贝塔混合模型（Beta Mixture Model,BMM）是一种重要的非高斯概率模型,常用于有界数据的统计分析.但是由于其表达式复杂,BMM的参数估计比较困难.针对该问题,本文提出一种高效的变分贝叶斯学习方法进行参数估计.该方法采用形式简单的自由分布,通过不断最大化初始变分目标函数的下界,迭代逼近得到真实的贝叶斯后验分布.在合成数据集与实际数据集上进行实验,实验结果证明了所提出算法的有效性和可行性.     

混合逆狄利克雷分布的变分学习及应用

混合逆狄利克雷分布是正的非高斯数据分析中一个重要的统计模型.但是利用常用的统计方法比如极大近似然估计、矩估计等往往很难得到模型参数估计的显性解析式.本文提出一个变分贝叶斯学习算法,它能够在估计参数的同时自动确定混合分量数.在合成数据集及实测数据集上的实验结果表明利用变分贝叶斯推理来估计混合逆狄利克雷分布是一种非常有效的方法.     

运动目标检测的l0群稀疏RPCA模型及其算法

经典的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)目标检测算法使用l₁范数逐一判别每一像素点是否属于运动目标,未能考虑到运动目标在空间分布的连续性,不利于提升运动目标检测的鲁棒性.本文提出了一种基于l₀群稀疏RPCA模型的运动目标检测方法.首先运用Ncuts算法进行区域过分割,生成多个同性区域,将其作为群稀疏约束的分组信息;第二步构造基于l₀群稀疏RPCA模型,运用群稀疏准则判别过分割后的各同性区域是否为运动目标,采用交替方向乘子算法对模型进行快速求解,约束过分割形成的同性区域具有相同检测结果,进而将背景环境和运动前景分离,能够更加准确地度量运动目标的区域边界,且对复杂的背景扰动更加鲁棒,达到了运动目标鲁棒检测的目的.