一种学习稀疏BN最优结构的改进K均值分块学习算法

目前贝叶斯网络(Bayesian networks,BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构,本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略,首先采用互信息作为节点间距离度量,利用融合互信息的改进K均值算法对网络分块;其次,使用MMPC(Max-min parent and children)算法得到整个网络的架构,根据架构找到块间所有边的可能连接方向,从而找到所有可能的图结构;之后,对所有图结构依次进行结构学习;最终利用评分找到最优BN.实验证明,相比现有分块结构学习算法,本文提出的算法不仅习得了网络的精确结构,且学习速度有一定提高;相比非分块经典结构学习算法,本文提出的算法在保证精度基础上,学习速度大幅提高,解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.

基于自支撑的MoS_(2)-RGO-MoS_(2)复合薄膜的悬浮型宽谱光电探测器研究

宽谱光电探测器旨在获取目标发射或反射的紫外、可见光、红外等各个波段的电磁波信息,用以在各种环境下准确地识别和分析目标,在成像、医学诊断、遥感、夜视、环境监测、人工智能等领域有广泛应用。本文将MoS_(2)的高效宽谱光吸收特性与RGO的高效输运特性相结合,设计并制备了悬浮型MoS_(2)-RGO-MoS_(2)光电探测器。MoS_(2)-RGO-MoS_(2)的独特结构,既能利用上表面的MoS_(2)吸收入射光,又能利用下表面的MoS_(2)吸收透射光,实现了两次光吸收,提高了探测器的响应率。MoS_(2)-RGO-MoS_(2)光电探测器和RGO光电探测器的对比研究发现,从紫外(375 nm)至近红外(1550 nm)的宽光谱范围内,MoS_(2)-RGO-MoS_(2)光电探测器的响应率均明显高于RGO光电探测器,最高可达1006 mA/W,对探测器的实际应用具有重要意义。