基于小波重构高频采样数据方法的研究

在工业过程中许多变量演化在不同的时间尺度上,而实际应用又往往要求采样数据在时序上能够匹配。满足这一要求的一般方法是从低频采样数据恢复高频采样数据。文章首先分析了基于小波变换的重构高频采样数据方法的收敛性及其局限,然后提出了一种基于小波网络的数据重构方法并进行了算法稳定性分析。仿真研究结果表明该方法是有效的和可行的。     

基于数据融合的贝叶斯人脸识别方法

分析了反对称双正交小波分解细节系数在光照条件变化下的稳定性，提出了一种基于数据融合的贝叶斯人脸识别方法，利用AR人脸图像库进行了对比实验，实验结果验证了本文方法的有效性。     

基于加权贝叶斯网络的隐私数据发布方法

数据发布中的隐私保护问题是目前信息安全领域的一个研究热点.如何有效地防止敏感隐私信息泄露已成为信息安全领域的重要课题.差分隐私保护技术是最新发展起来的隐私保护技术,它的最大优点是不对攻击者的背景知识做任何特定假设,该技术不但能为隐私数据发布提供强有力的安全防护,而且在实践中也得到了广泛应用.现有的差分隐私保护技术并不能全面有效地处理高维隐私数据的发布问题,虽然基于贝叶斯网络的隐私数据发布方法(PrivBayes)有效地处理了高维数据集转化为低维数据集的发布问题,但这种方法也存在一定的缺陷和不足.基于对贝叶斯网络的隐私数据发布方法的分析研究和改进优化,建立了加权贝叶斯网络隐私数据发布方法(加权PrivBayes),通过理论分析和实验评估,该方法不仅能保证原始隐私发布数据集的隐私安全性,同时又能大幅提升原始隐私发布数据集的数据精确性.     

基于块稀疏贝叶斯算法的图像重构方法与仿真

针对贝叶斯学习方法(SBL)重构二维图像信号精度不高的问题,采用对图像信号分块重建的方式,将贝叶斯学习算法推广为块贝叶斯学习(BSBL)算法,用于二维图像信号的重构中,给出了重构算法的相应公式并进行了算法仿真。仿真结果表明,在相同的条件下,BSBL能够获得较好的图像重构效果和最小的二维重构误差。     

基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

基于贝叶斯网络与语义树的隐私数据发布方法

为在隐私预算相同的条件下提高发布数据的可用性,在PrivBayes的基础上,提出一种改进的隐私数据发布方法PrivBayes_Hierarchical。基于贝叶斯网络隐私数据发布方法的思想,引入语义树对含有层次关系的数据属性进行抽象,使用贝叶斯网络描述数据属性之间的依赖关系。利用格雷码减少随机噪声对数据精度的影响,并对贝叶斯网络结构学习方法进行优化,以减少不必要的隐私预算消耗,提高数据可用性。实验结果表明,该方法在公开数据集下可以获得比PrivBayes更高的数据精度,从而提升隐私数据集的可用性。     

基于稀疏贝叶斯算法的演化博弈网络重构

演化博弈是自然和社会系统中一种常见的互动类型,探知演化博弈网络的拓扑结构是理解其功能和集体行为的基础。对于演化博弈网络,个体的博弈行为通常难以用动力学方程进行描述,而且相关的时序信息一般数量有限并且是离散的,因此在有限的个体博弈信息下重构网络的结构有着重要的研究意义。本文基于稀疏贝叶斯学习方法进一步发展了演化博弈网络的重构方法,通过在随机网络和小世界网络上的数值模拟验证该方法的有效性。与先前的基于L1范数的方法相比,该方法同样能够在较少的个体博弈信息下实现网络的重构,并且具有更高的重构效率和更强的噪声鲁棒性。     

基于贝叶斯理论的分类模式挖掘方法研究

分类规则可以挖掘出某些共同特性，是数据挖掘的重要方法之一。将贝叶斯理论应用于分类模式挖掘算法的设计中，可使分类的错误率最小，设计出更加完善的挖掘算法，从而提高数据挖掘的准确性和有效性。     

基于贝叶斯理论的分类算法研究

分类是数据挖掘中很重要的一个组成部分,利用贝叶斯理论的分类算法分类准确,可解释性强。本文对基于贝叶斯理论的分类算法进行分析总结,首先阐明了贝叶斯理论,介绍了基于贝叶斯理论的朴素贝叶斯分类器、TAN模型分类算法、AODE分类算法和AnDE分类算法及其原理,以及各个算法的特征。     

贝叶斯学习,贝叶斯网络与数据采掘

自从50～60年代贝叶斯学派形成后,关于贝叶斯分析的研究久盛不衰。早在80年代,贝叶斯网络就成功地应用于专家系统,成为表示不确定性专家知识和推理的一种流行方法。90年代以来,贝叶斯学习一直是机器学习研究的重要方向。由于概率统计与数据采掘的     

基于议价贝叶斯博弈模型的防欺诈策略

多媒体信息易遭受敌手攻击,如恶意应用通过虚假报价来欺诈未采取防护措施的用户,导致用户财产或隐私面临极大的威胁。为解决上述问题,文章提出一种基于议价贝叶斯博弈模型的防欺诈策略来保护用户隐私。首先利用四轮讨价还价确定应用和用户交互时的收益矩阵,引入常规用户的检测率对收益矩阵进行调整,抑制恶意应用虚假报价;然后通过贝叶斯纳什均衡分析确定用户的最优防御策略以防止用户遭受恶意应用的欺骗,避免个人隐私泄露。仿真结果表明,文章方案提高了应用和用户在交易达成时各自的收益,降低了恶意应用采取欺骗策略的概率,增强了用户隐私的安全性。     

基于贝努里分布的贝叶斯网络结构学习算法

目前,学习具有丢失数据的贝叶斯网络结构主要采用结合EM算法的打分-搜索方法和基于依赖分析的思想,其效率和可靠性比较低.本文针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法.该方法首先根据贝努里分布来表示数据库中变量结点之间的关系,并用Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据Gibbs取样来得出丢失数据的取值.最后,用启发式搜索完成贝叶斯网络结构的学习.该方法能够有效避免标准Gibbs取样的指数复杂性问题和现有学习方法存在的主要问题.     

基于贝叶斯理论的图像标注和检索

图像自动语义标注是基于内容图像检索中很重要且很有挑战性的工作.提出用语义约束的聚类方法对分割后的图像区域进行聚类,在图像标注阶段,使用贪心选择连接(GSJ)算法找出聚类区域的独立子集,然后使用贝叶斯理论进行语义标注.对图像进行标注以后,使用标注的关键字进行检索.在一个包含500幅图像的图像库进行实验,结果表明,提出的方法具有较好的检索性能.     

基于贝叶斯理论的垃圾邮件过滤技术综述

介绍贝叶斯方法的理论依据及近几年的典型贝叶斯分类方法,并给出不同方法下垃圾邮件过滤实验数据对比,总结贝叶斯方法在垃圾邮件处理中的优点和局限性,并提出下一步可能的研究方向.     

信息融合理论研究进展:基于变分贝叶斯的联合优化

通过梳理近年信息融合理论的发展,分析了复杂目标跟踪系统中存在的非线性、多模式、深耦合、网络化、高维数和未知扰动输入等问题,指出现阶段目标跟踪系统中联合优化的必要性.继而,讨论了解决联合优化问题的主要方法,包括联合检测与估计,联合聚类与估计,联合关联与估计及联合决策与估计等.同时,着重介绍了变分贝叶斯辨识、估计和优化的统一框架和以其为基础的目标跟踪联合一体优化方法,并以天波超视距雷达为应用背景,给出在多路径多模式多目标跟踪场景下算法的一般性描述.最后,讨论了变分贝叶斯理论在目标跟踪领域的开放问题和未来研究方向.     

正态分布的贝叶斯网络火灾数据融合预警研究

近年来,WSN网络应用趋向于网内节点数量增多、模块功能多样、应用环境复杂,由此基于WSN的火灾监测预警系统容易因节点故障出现数据融合异常的现象.为提高火灾数据融合精度,本文引入高斯模型,通过对不同节点间同类信息融合形成的熵值,表示融合结果的不确定性,以鉴定融合效果.由此推理出了一种正态分布的贝叶斯网络算法.在仿真实验中,将3种常用火灾传感器探测信息融合,分析改进后的静态、动态贝叶斯网络特点.用FDS平台模拟火灾场景,实验得到探测信息离散区间与发生率.再以BayesiaLab计算输出节点的条件概率.最后通过VisualC 离散化选取探测阈值下限的判定依据,实现全网信息融合,作出正确、快速的报警反应.     

基于贝叶斯统计推断的离散分布估计算法

将贝叶斯统计推断理论引入分布估计算法概率模型中,提出一种基于贝叶斯统计推断的离散分布估计算法。根据离散优化问题中解的分布规律建立先验概率模型,将优势群体的概率模型和二元边缘分布算法中森林结构的概率模型相结合,得出条件概率模型,利用贝叶斯统计推断,并结合上述2种概率模型建立后验概率模型,以指导新群体的产生。仿真结果表明,该算法求解gr21旅行商问题的收敛速度大于EDAs1算法,在种群规模、最大运行代数等参数固定的情况下,分别分析结合速率和学习速率对算法性能的影响,得出当其值取0.2时,算法性能最稳定。     

基于贝叶斯滤波理论的自主机器人自定位方法研究

针对自主机器人定位问题,研究了基于贝叶斯滤波理论的自定位方法,从概率表达的角度介绍了贝叶斯滤波方法各种不同的实现形式,分析了各种不同定位方法的性能,指出了它们的优缺点,并对每种方法的改进方法进行了探讨和分析,最后总结了定位方法的基本特点,并对贝叶斯滤波理论在自主机器人领域中的应用前景进行了展望,探讨了未来的发展方向。     

基于广义高斯分布的贝叶斯概率矩阵分解方法

贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性,常用于个性化推荐系统,但其推荐精度会受初始评分矩阵稀疏特性的影响.提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF(generalized Gaussian distribution Bayesian PMF),采用广义高斯分布作为先验分布,通过机器学习自动选择最优的模型参数,并基于Gibbs采样进行高效训练,从而有效缓解矩阵的稀疏性,减小预测误差.同时考虑到评分时差因素对预测过程的影响,在采样算法中添加时间因子,进一步对方法进行优化,提高预测精度.实验结果表明：GBPMF方法及其优化方法GBPMF-T对非稀疏矩阵和稀疏矩阵均具有较高的精度,后者精度更高.当矩阵非常稀疏时,传统贝叶斯概率矩阵分解方法的精度急剧降低,而该方法则具有较好的稳定性.     

满足LDP的多维数据联合分布估计

多维数据的发布与分析可以产生巨大的价值,但在数据收集阶段时常发生隐私泄露的问题.传统的中心化差分隐私保护方法要求一个完全可信的第三方数据收集者来收集数据,但在现实中很难找到一个完全可信的第三方数据收集者.随着属性维度的增加,数据收集者的求精处理工作(联合分布的计算)也成了一个亟待解决的问题.针对上述问题提出一种适用于多值数据的本地化差分隐私保护算法(RR-LDP),引入一元编码和瞬时随机响应技术用来在数据收集阶段保护个人隐私,降低了通信开销;在满足LDP的情况下,结合期望最大化(EM)算法和LASSO回归模型,提出了高效的多维数据联合分布估计算法(LREMH).该算法用LASSO回归模型估计初始值,用EM算法进行迭代计算.理论分析和实验结果表明LREMH算法在精度和效率之间取得了平衡.