基于分段加权的反向稀疏跟踪算法研究

为提高稀疏表示跟踪模型性能，提出一种分段加权的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，构造不同的分段权重函数来分别度量候选目标与正负模板的判别特征系数。通过池化来降低跟踪结果的不确定性干扰，选择正负模板加权系数差值最大的候选表示作为跟踪结果。实验表明，在光照变化、遮挡、快速运动、运动模糊情况下，所提出的算法可以确保跟踪结果的准确性和鲁棒性。     

0?1膨胀负二项回归模型在COVID?19疫情分析中的应用

在公共卫生等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，采用0?1膨胀负二项分布及其回归模型进行分析. 在数据扩充基础上，结合Pólya?Gamma潜变量对模型参数进行贝叶斯推断. 最后，对我国湖北省2019冠状病毒病(COVID?19)死亡数据集进行分析. 研究表明，0?1膨胀负二项回归模型能够达到更好的拟合效果.     

基于智能手机用户行为习惯的App使用预测算法研究

互联网的发展不仅推动了智能手机的普及,而且涌现了大量的手机App。大量被安装在手机中的应用程序不仅增加了用户寻找App的时间和难度,而且占用了手机大量的内存空间,致使手机卡顿,严重影响了用户体验。利用智能手机用户使用App的行为习惯特征,预测用户将要使用的App,并将其应用到智能手机中用以预加载App和智能清理手机内存是解决上述问题的方法之一。在深入了解PrefixSpan算法和Bayesian网络算法的前提下,考虑智能手机用户对每个App的喜爱程度,将其加入到PrefixSpan算法的剪枝步骤中;采用贝叶斯网络算法整合智能手机用户的App使用记录和App使用时长等特征,提出一套新的预测用户下一个将要使用的App的算法——WAPA(Weighted App Prediction Algorithm)。实验证明,该算法预测准确率最高可达86.3%,较其他算法可提高大约4%。     

两阶段领域自适应学习

针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.     

基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析

针对现有煤矿事故致因分析多以单方面因素分析为主,忽略人、机、环、管4个方面各因素间的关联性和整体性,且涉及到的事故类型较泛化等问题,从人、机、环、管4个方面选取诱发煤矿瓦斯爆炸事故的因素,并利用相关性分析筛选出相关性较强的变量;以GeNie为平台构建煤矿瓦斯爆炸致因贝叶斯网络模型,并采用交叉验证方法对其可靠性和准确性进行验证;通过贝叶斯网络参数学习、敏感性分析等对模型中各节点变量进行分析,计算不同条件下相关节点的条件概率分布和后验概率,提取诱发煤矿瓦斯爆炸事故的关键因素。分析结果表明:通风不足会大幅提高煤层瓦斯含量超标的可能性,员工培训不到位是瓦斯漏检的主要诱因;在煤矿瓦斯爆炸事故已发生的情况下,可能性最大的诱因是瓦斯含量超标,其次是瓦斯漏检;导致煤矿瓦斯爆炸事故的最关键因素是瓦斯含量超标、瓦斯漏检、顶板不稳定、法律法规不健全。     

基于模糊判别的指纹识别算法探讨

指纹识别在社会各个领域应用都非常广泛.本文从指纹识别的原理和应用出发,介绍一种基于模糊判别的指纹识别算法.