贝叶斯学习

摘要： 设计了融合参数模型和非参数机器学习模型进行训练的算法,利用非参数模型拟合参数模型,将其作为先验分布,然后采用贝叶斯学习方法进行优化,并在训练中实现分布的动态调整。该方法在训练过程中有助于避免模型参数过度波动,提升模型泛化能力。针对期权定价,在BS、Heston等参数模型及神经网络等机器学习模型基础上,构建了相应的融合模型BS_BR和HS_BR,并利用市场数据进行了实证分析。研究表明,融合模型可以较好地发挥两类模型的优势,无论是在样本内拟合效率,还是样本外预测能力方面都具有更好的表现。

摘要： 针对传统雷达性能指标评估方法相对"机械"、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型.考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立分层贝叶斯模型,从而保证雷达性能指标后验概率密度函数的可解性.此外,为了保证后验概率密度函数的闭合解析解,应用变分贝叶斯期望最大化(variational Bayesian expectation maximization,VB-EM)方法,基于高斯-赛德尔迭代策略分别计算性能指标及其超参数的后验概率密度函数.最终,利用后验概率密度函数计算结果,可获得相应性能指标解析估计值及其置信区间和置信度,从而实现对指标动态变化的解析指示.相比传统蒙特卡罗评估方法,所提方法仅需一次实验数据便可获得定量的、解析的指标评估结果,可以大大缩减评估成本,提升评估效率,同时可对指标动态变化给出定量指示.应用仿真数据对雷达定位、测高精度以及目标检测概率指标进行了验证,相比传统方法,评估处理增益获得了有效提升.

摘要： 随着学科的整合和技术的发展,情绪研究在神经科学领域日益重要.奈特不确定性是指消费者用主观信念而不是客观概率估计未来购买结果,处于不完美的信息状态.随着市场新定价机制的出现,消费者在购买产品时大多处于信息不完美的状态,总是做出不确定的决策.但由于人们获取和处理信息的能力、时间和精力有限,往往在决策中采取情绪启发式判断.基于感知评估理论,应用事件相关电位技术记录贝叶斯更新和预测惊喜的脑波成分,采用Brain Products公司生产的64导的Ag/AgCI电极帽记录相应的脑电,电极位置分布遵照国际10-20系统;选择晚期正电位表示情绪唤醒度,设计一个行为价格形成的贝叶斯学习脑电实验,模拟贝叶斯更新和预测惊喜的动态过程,将不确定性产品质量信息与感知价格水平相结合,探讨这些因素随着信息的累积对消费者价格情绪的影响.研究结果表明,不确定性产品质量信息扩大了感知高价格的消极情绪.具体来说,与感知低价格相比,不确定性和确定性信息下的感知高价格引起晚期正电位显著的振幅;与确定性信息相比,不确定性信息下感知价格水平引发的晚期正电位幅度也明显更大.随着信息的累积,情绪在价格判断(即支付意愿)中贝叶斯更新阶段比预测惊喜阶段的渗透程度低,支付意愿与晚期正电位振幅偏转成正向关系,高水平的支付意愿引发更大的偏转幅度.研究结果可以帮助零售商和市场营销人员更好地创新定价机制,从而有意识地避免消费者的消极情绪,提高消费者的支付意愿水平.此外,这种研究方法也可以用来检验各种其他产品或服务环境中的价格判断形成过程,提高购买转化率.

摘要： 图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述,根据不同的建模方式,将现有算法分为卷积神经网络模型和图神经网络模型两大类,其中基于卷积神经网络模型的算法包括四种学习范式:迁移学习、元学习、对偶学习和贝叶斯学习;基于图神经网络模型的算法原本适用于非欧几里得结构数据,但有部分学者将其应用于解决小样本下欧几里得数据的图像分类任务,有关的研究成果目前相对较少.此外,本文汇总了现有文献中出现的数据集并通过实验结果对现有算法的性能进行了比较.最后,讨论了小样本图像分类技术的难点及未来研究趋势.

摘要： 内容简介本书系统介绍了模式识别与机器学习的基础理论、模型与算法,兼顾前沿知识的融入。以贝叶斯学习思想贯穿始终,并适时与其他重要知识点(如支持向量机、深度学习等)进行交叉和关联,便于读者在形成良好知识体系的同时保持对整个领域知识的把握。全书共14章和4个附录,循序渐进地剖析模式识别与机器学习领域。

摘要： 伴随着中国国家能源革命战略与电力体制改革的发展,综合能源系统作为综合各能源属性的新型能源发展形态逐步兴起,最大限度提升了能源利用效率.然而,综合能源系统存在量测数据冗余度低、量测设备的量测误差较大以及电网与气网量测设备的数据采集单位时间标尺不统一的问题,对电-气耦合的综合能源系统状态估计问题提出严峻挑战.考虑到数据驱动方法具有高度的可移植性与对不同信息提炼归纳的能力,建立了一种基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计模型.采用贝叶斯学习获取量测量的概率统计特征,利用蒙特卡洛采样生成完备量测数据,通过电-气耦合综合能源系统潮流检验所生成数据的合理性,从而得到长短期记忆深度学习网络的训练样本集合.采用均方根误差的评判标准对长短期记忆深度学习网络进行训练,有效提升了电-气耦合综合能源系统状态估计的精度.与经典模型驱动的状态估计方法比较,算例仿真验证了所提数据驱动状态估计方法的有效性与鲁棒性.

摘要： 针对合成孔径雷达(synthetic aperture radar,SAR)在稀疏成像中,传统贝叶斯机器学习算法存在先验固化、成像结果容易过拟合等问题.提出一种可变成像先验贝叶斯(varying imaging prior Bayes,VIP-Bayes)学习稀疏SAR成像算法.首先,引入可动态灵活表征目标散射特征的广义高斯分布先验.然后,在贝叶斯推理框架下进行分层建模,后验分布推导.最后,针对常规吉布斯采样算法无法采样复杂后验分布的问题,引入哈密顿蒙特卡罗(Hamiltonian Monte Carlo,HMC)采样算法进行求解.另外,考虑到HMC算法对非平滑后验分布无法采样,因此引入近端算子,进行近端梯度近似,提出近端-HMC(proximal-HMC,P-HMC)算法.P-HMC算法可有效解决非平滑后验采样问题.因而可实现VIP-Bayes稀疏成像.通过仿真数据进行算法有效性验证,选取SAR实测数据与多种算法进行成像对比实验,利用相变热力图对算法成像性能进行定量分析,验证了所提算法的实用性和优越性.

摘要： 本文针对低空小型无人机在雷达探测中散射截面积小、相干积累时间短等问题,提出一种基于贝叶斯统计机器学习的逆合成孔径雷达超分辨成像方法.利用无人机相对空域背景的稀疏性先验知识引入重尾的拉普拉斯先验概率分布,并基于观测系统噪声高斯分布假设建立贝叶斯后验推理模型.针对先验分布的非共轭性,引入分层贝叶斯模型.最后应用变分贝叶斯期望最大算法,解析求解目标后向散射系数后验概率密度函数,并校正目标非系统性平动误差及其造成的成像散焦.与传统方法相比,该方法能够有效解决无人机目标雷达散射截面积较小带来的成像信噪比低以及相干积累时间较短带来的成像分辨率低等问题.仿真实验结果证明了本文所提方法的有效性和优越性.

摘要： 本文从流行性传染病特征和医学传染病模型出发,对影响疫情的非理性因素、疫情的直接与间接结果进行文献综述,分析极端事件中的反应不足与过度反应.在成因上,本文梳理了不完全信息贝叶斯学习和显著性理论等决策行为假说,来理解人们行为背后的信息处理机制和情感作用渠道.在结果上,疫情及有关政策对经济金融活动的直接影响尚缺准确评估,恐慌情绪与羊群行为、社会信任危机、风险态度转变及异质性信念等疫情间接结果也有待深入研究.最后,本文基于已有文献和疫情行为分析,对未来学术研究及政策管理提供思路和建议.

摘要： 多机器人巡逻一般指在给定的区域中存在n个机器人和m个待巡视的点或区域，通过设计策略，在满足巡视频率等指标的情况下，完成对整个区域的巡视。针对开放道路交通系统中多机协作进行巡视的问题,设计了一种适用于未来以无人驾驶车为主、无红绿灯道路交通系统的基于贝叶斯学习方法的巡视算法,主要包括区域选择和路径选择两步.区域选择完成初始点到目标点所经子区域的评价、选择;路径选择主要完成子区域内部路径的选择.利用贝叶斯学习方法对区域选择和路径选择过程进行了评价和不确定度的度量.通过仿真实验验证了本文提出的算法能够在满足时效性最优的情况下,完成巡视任务.

摘要： 针对现有的到达方向(Direction of arrival,DOA)估计算法在低信噪比、少快拍数下估计性能不佳的问题,本文提出了一种基于稀疏恢复及贝叶斯学习的DOA估计方法.该方法首先通过选择矩阵消除信号采样协方差矩阵的噪声影响,继而通过白化滤波器减缓采样误差的干扰,继而建立实的稀疏表示系统模型,最后利用信号功率在搜索网格上稀疏的先验信息,基于贝叶斯学习理论,估计出DOA.计算机仿真也表明该方法在低信噪比,少快拍数下的均方根误差均比现有最优的算法要低,更接近于克拉美罗界.

摘要： 被动信源定位是阵列信号处理领域重要的研究方向,在通信、声纳、水下探测等民用和军用领域发挥着非常重要的作用,现有的被动信源定位技术一般假设信源位于接收阵列的远场区域或近场区域,但在一些实际应用中,往往会遇到目标信号同时在近场和远场的情况,为解决混合源定位问题,学者们提出了多种算法,如TSMUSIC算法,ObMUSIC算法,混合阶MUSIC算法等.本文针对现有算法存在的问题提出一种基于贝叶斯学习的混合源定位新方法。仿真证明了该方法可以适用于高斯信号和非高斯信号，且无需信源数等先验信息，定位精度较高。

摘要： 为解决大规模强化学习中的“维度灾难”问题, 克服以往学习算法的性能高度依赖于先验知识或者探测程度的局限性，本文提出一种未知环境中基于概率模型的动态分层强化学习方法。首先基于贝叶斯学习对状态转移概率进行建模，建立基于概率参数的关键状态识别方法, 进而通过聚类动态生成若干状态子空间和学习分层结构下的最优策略。仿真结果表明该算法能显著提高复杂环境下智能体的学习效率, 适用于未知环境中的大规模学习。

摘要： 本文利用马尔科夫机制转换向量自回归模型将我国资本市场分为“熊市”和“牛市”，采用Monte-Carlo方法模拟“熊市”、“牛市”下的最优资产配置行为，并且引入贝叶斯学习过程研究牛熊市下的动态资产配置。研究结果表明：⑴不同的市场机制以及动态调整频率对最优资产配置有较大的影响，短期期限效应更为显著；⑵与忽略机制转换的传统的资产配置模型相比，即使在极度风险厌恶的情况下，也会造成2%的福利损失。

摘要： 交易过程中有效的协商可以使参与者获得更多的利益.而在B2C和C2C电子商务环境下,卖方无力同不定时不定量的买家进行有效协商,因此只能采用拍卖或一口价的方式交易,使收益和交易成功率下降.本文建立了具有动态学习功能的协商模型来解决这一问题.模型考虑买卖双方的因素,符合一般协商流程,加入了贝叶斯学习功能.通过改进原贝叶斯学习很难取得条件概率的缺点,使该模型具有简便、有效和动态学习的特点.

摘要： 为履行企业社会责任,保障广大用户通信权益,自2012年以来,中国移动持续开展垃圾短信治理工作.依托垃圾短信集中管控平台,治理主要采用"系统监测"模式.随着中奖诈骗类、政治违法类、涉黄涉黑类、病毒诱导类、商业广告类等违规短信层出不穷,垃圾短信数量居高不下,年均疑似垃圾短信高达3亿余条,垃圾短信治理形式严峻.

摘要： 为履行企业社会责任,保障广大用户通信权益,自2012年以来,中国移动持续开展垃圾短信治理工作.依托垃圾短信集中管控平台,治理主要采用"系统监测"模式.随着中奖诈骗类、政治违法类、涉黄涉黑类、病毒诱导类、商业广告类等违规短信层出不穷,垃圾短信数量居高不下,年均疑似垃圾短信高达3亿余条,垃圾短信治理形式严峻.

摘要： 为履行企业社会责任,保障广大用户通信权益,自2012年以来,中国移动持续开展垃圾短信治理工作.依托垃圾短信集中管控平台,治理主要采用"系统监测"模式.随着中奖诈骗类、政治违法类、涉黄涉黑类、病毒诱导类、商业广告类等违规短信层出不穷,垃圾短信数量居高不下,年均疑似垃圾短信高达3亿余条,垃圾短信治理形式严峻.

摘要： 为履行企业社会责任,保障广大用户通信权益,自2012年以来,中国移动持续开展垃圾短信治理工作.依托垃圾短信集中管控平台,治理主要采用"系统监测"模式.随着中奖诈骗类、政治违法类、涉黄涉黑类、病毒诱导类、商业广告类等违规短信层出不穷,垃圾短信数量居高不下,年均疑似垃圾短信高达3亿余条,垃圾短信治理形式严峻.

摘要： 本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

摘要： 本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

摘要： 概念图创建为用于开放领域知识中的文本理解的通用分类法。概念图中的节点包括实体和概念两者。边缘是从实体到概念，表明实体是概念的实例。本文中呈现了处理从开放域事实学习可解释关系以丰富和细化概念图的任务的实施方式。在一个或多个实施方式中，从开放域事实学习贝叶斯网络结构作为实体的事实和概念的关系词之间的可解释关系。在英文和中文数据集上进行了广泛的实验。与现有技术方法相比，所学习的网络结构基于英文和中文数据集两者上的实体的关系词来提高对实体概念的识别。

摘要： 涉及用于对象检测器的使用贝叶斯双编码器的可解释性主动学习的方法，包括：(a)将多个测试图像输入到对象检测器生成多个裁剪的图像，对多个测试图像和多个裁剪的图像进行尺寸调整，将多个尺寸调整的图像输入到数据编码器以输出多个数据码；(b)(b1)(i)将多个测试图像输入到对象检测器，应用贝叶斯输出嵌入，对多个活化熵图和多个裁剪的活化熵图进行尺寸调整，或(ii)输入多个尺寸调整的对象图像，应用贝叶斯输出嵌入，(b2)将多个尺寸调整的活化熵图输入到模型编码器以输出多个模型码；(c)(i)确认多个参考数据码，以多个稀有样本选择多个特定测试图像更新数据码本，(ii)确认多个参考模型码，以多个难样本选择多个特定测试图像。

摘要： 本发明公开了一种基于贝叶斯主动学习的智能合约漏洞分类方法及系统，包括步骤：(1)采集数据黄金集G、未标记数据集U并进行特征提取；(2)利用已标记数据集S预训练分类模型并预测U，基于不确定抽样策略从U提取样本集S’进行人工标记；计算人工标记正确率；(3)根据人工标记的正确率获取参数ρt；当参数ρt<1在黄金集G中选择黄金训练集XT供专家进行人工训练，提高标记能力ct(Xi)；(4)针对加入已标记数据集S的人工标记的样本Xi，选取样本集Xr让专家重复标记更新S；(5)步骤(2)至步骤(4)进行循环迭代，直到达到目标效果返回已经标记的数据集S及其预训练的分类模型。本发明能够提升标记智能合约漏洞的分类正确率。

摘要： 本发明提供一种基于贝叶斯学习和增量子空间学习的目标跟踪方法，混合两种子算法分别产生一个跟踪结果,本发明定义了这两个候选跟踪结果的可信度度量,最终算法选择可信度最高的算法作为跟踪结果；本发明通过降低判别算法的学习率和暂停更新产生模型算法来避免引入更多的噪声.克服了目标在遭受遮挡和巨大形变后跟踪漂移的问题。

摘要： 本发明提供一种基于贝叶斯学习和增量子空间学习的目标跟踪方法，混合两种子算法分别产生一个跟踪结果,本发明定义了这两个候选跟踪结果的可信度度量,最终算法选择可信度最高的算法作为跟踪结果；本发明通过降低判别算法的学习率和暂停更新产生模型算法来避免引入更多的噪声.克服了目标在遭受遮挡和巨大形变后跟踪漂移的问题。

摘要： 本发明公开了一种基于稀疏贝叶斯学习的桥梁振动响应数据预测方法。该方法包括步骤：S1，根据桥梁结构的动力响应数据，绘制相应的时域图，对时域图进行时域分析，依据不同动力分析方法选取相应的振动响应数据段；S2，将振动数据段按照时间序列分析法排序输入至稀疏贝叶斯学习(SBL)算法中，适当调整稀SBL中高斯核函数的基宽参数，初定SBL回归模型；S3，检验初定SBL回归模型的拟合度和稀疏性，适当调整基宽参数直至确定最终的SBL回归模型；S4，依据最终的SBL回归模型，预测下一时刻振动数据。本发明基于高斯核函数的稀疏贝叶斯学习算法，不仅适用于非线性强的振动数据，而且预测过程考虑了振动数据的不确定性，数学模型鲁棒性好，预测结果的精度高。

摘要： 本发明涉及基于加权组稀疏贝叶斯学习的人体活动分类方法，属于雷达及模式识别技术领域。所述方法对接收的人体活动雷达回波信号，采用短时傅里叶变换进行预处理；通过主成分分析法进行特征提取；利用加权组稀疏贝叶斯学习算法对人体活动测试样本进行稀疏编码，再基于残差最小准则对人体活动进行分类识别。所述方法考虑了训练样本的标签信息，使得稀疏表示系数具有组结构特点，从而提升分类的准确性；且所采用的贝叶斯模型考虑了噪声的影响，对实际环境具有较好的适应性，能稳健地实现人体活动分类；与传统方法相比，在有噪情况下具有更好的分类性能。

摘要： 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。