基于非参数信念传播的可行C-空间关节人手跟踪方法

采用三维人手图模型描述了人手结构、运动学、动力学及自遮挡特性,将人手高维(27维)跟踪问题转为并行跟踪16个6维变量的问题,降低了计算复杂度.在非参数信念传播过程中嵌入连续自适应均值漂移方法得到可行C-空间,在该空间中传递消息以提高跟踪效率.实验结果表明,该方法在人手发生自遮挡的情况下,能快速、鲁棒地跟踪关节人手.

基于多尺度信念传播的混凝土CT图像分割

为减少混凝土CT图像分割过程中信念信息传递的计算复杂度,提出一种基于多尺度信念传播的图像快速分割算法。根据标准信念传播算法的特点,构造金字塔状栅格图进行消息传输,从而加快消息收敛速度、减少迭代次数,同时利用双向图技术减少信念信息的数量。实验结果表明,该算法能提高图像分割率和分割精度。

可满足性问题中信念传播算法的收敛性分析

信念传播算法是基于因子图模型的消息传递算法,通过图中的边,将消息从一个结点传递给另一个结点,以高概率地确定部分变量的取值,这种方法被实验证明在求解可满足性问题时非常有效.然而,目前还未对其有效性从理论角度给予解释.通过对信念传播算法的收敛性分析,试图从理论上解释算法的有效性.在信息传播算法的信息迭代方程中,参数的取值范围为(0,1),将该取值范围扩展到整个实数空间,即(−∞,+∞).利用压缩函数的数学原理,得到了信息迭代方程收敛的判定条件.选取随机可满足性问题实例进行实验模拟,验证了结论的正确性.

无线传感器网络中基于信念传播的分布式目标跟踪

为在分布式目标跟踪中交换局部似然函数的信息,研究常见的分布式目标跟踪方法,提出一种基于信念传播的分布式粒子滤波方法(DPF-BP)。在有限次的迭代中,计算图的最大直径。为避免网络评估的分歧性,在计算评估之前运用一致性最大化,将节点及迭代次数表示成函数形式,经过标准化和估值计算后重采样替换。仿真实验结果表明,与标准信念一致方法、随机流言方法和都市信念一致方法(MBC)相比,在相同配置下,DPF-BP方法的均方根误差指标较优,在环形网络中运用DPF-MBC方法较好,而在树状网络中运用DPF-BP方法最佳。

基于混合动态信念传播的多无人机协同定位算法

针对多无人机(UAVs)协同定位问题,提出一种基于混合动态信念传播的定位算法。在部分无人机GPS信号丢失的情况下,该算法可根据其他无人机的GPS观测,相邻无人机之间的相对距离观测,以及无人机加速度计的输出,对每个无人机的位置和速度状态进行分布式在线估计。首先用因子图模型描述多无人机的联合信念状态,接着给出一种混合动态信念传播推理算法计算图模型中的每个变量节点(对应于每个无人机)状态的边缘后验分布。推理过程仅包括每个无人机对自身局部信息的处理以及相邻无人机之间的信息交互,因此该算法可完全分布式实现。通过仿真实验以及与传统协同定位算法的比较,表明了本文算法的有效性。

信念传播算法在分类模型中的应用

本文主要讨论信念传播算法(BP算法)在Bayesian network模型的理论表示以及在分类中的实际应用,与传统的ICM-MRF模型相比,减少了分类时间,提高了分类质量。

求解网络最大流问题的信念传播算法

为解决目前网络最大流问题求解效率低、数据溢出等问题,设计求解网络最大流问题的信念传播算法。根据网络最大流问题的特性,使最大流问题的线性规划方程与信念传播算法传递方程结合,得到描述函数,将带权随机有向图映射为对应的因子图模型;在此模型基础上,利用信念传播算法的信息迭代方程进行特征值收敛计算,提高寻优效率。选取若干随机有向图进行数值实验,实验结果表明,该算法在寻优速度上优于同类算法,验证了其可行性及有效性。

求解最小费用最大流问题的信念传播算法

最小费用最大流问题是一种组合优化问题,在经济、工业等领域具有重要研究意义和应用价值。针对部分最小费用最大流问题求解算法效率较低的情况,依据最小费用最大流问题的线性规划方程,将问题模型映射为对应因子图模型,改进描述函数,给出迭代方程,设计了求解最小费用最大流问题的信念传播算法。利用迭代方程优先对最大可行流特征值进行收敛计算,得到最大流,设置最大流阈值,在此基础上进行最小费用计算,从而求得问题最优解。最后选取若干带权有向图模型进行数值实验,验证了算法的可行性及有效性,且算法在求解效率上优于部分算法。

一种可扩展的集群目标信念传播跟踪方法

集群目标跟踪在军事和民用领域有着广泛的应用需求。在大多数跟踪场景中,多目标通常被假定具有独立的运动并且良好分离。然而,对于集群目标跟踪问题,由于群内目标空间分布密集、协同运动、集群分裂或合并等复杂群结构变化以及群内目标数目多等因素,会导致更具挑战性的数据关联、滤波和计算上的问题。本文在信念传播算法框架下,通过联合推断目标存在变量、集群结构、数据关联和目标状态的分布,提出了一种可扩展的集群目标信念传播跟踪(GTBP)方法。在所提方法中,目标的运动建模为不同群结构下集群目标运动或单目标运动的交互,从而实现了集群目标和非群目标的无缝跟踪。此外,所提方法具有计算可扩展性的优点,其计算复杂度与保留的集群划分或传感器观测数目仅呈线性关系、与目标数目呈二次关系。仿真实验结果验证了集群目标信念传播跟踪方法的有效性和可扩展性,适用于大规模集群目标跟踪场景。

“后真相”现象对主流意识形态传播的挑战及其对策

作为一种以谬论拼贴事实、以情感掩饰真相、以信念煽动舆论为特征的传播现象,“后真相”现象是网络空间杂冗化的信息生产、社交媒体情感化的话语叙事与社会圈层扁平化的交互舆论耦合作用的产物。“后真相”现象冲击着主流意识形态的真相基础,破坏了主流意识形态的认同演化链条,对主流意识形态传播形成新的挑战。对此,既要重构主流意识形态传播的科学规范和话语体系,又要创构适应“后真相”特征的主流意识形态传播格局。

从故障树到故障贝叶斯网映射的故障诊断方法

针对传统的故障树分析方法在复杂系统故障诊断中存在的局限性,论文在定义了故障贝叶斯网及其概率计算的基础上,建立了故障树事件与贝叶斯网结点、故障树逻辑门与贝叶斯网概率分布之间的映射关系,详细研究了将故障树映射为故障贝叶斯网的转变性质,以及利用映射故障贝叶斯网进行故障诊断过程。最后以一种飞机雷达系统故障诊断为例验证了本文所提出的方法。

基于马尔科夫随机场的粘连字符串切分算法

粘连字符串模式复杂,难以通过基于传统图像处理的方法进行准确分割,针对该问题,提出一种基于机器学习的粘连字符串切分方法。包括训练和分割2个部分,对字符串之间的分割位置进行学习,对于输入的粘连字符串,利用马尔科夫随机场网络得到各点可作为分割点的概率,在概率图上使用图像分割的算法确定分割位置。实验结果表明,该算法对模拟的粘连字符串、重叠字符串和真实的手写字符串都可以得到较好的分割结果。

聚类算法研究综述

聚类是数据挖掘研究领域的一种重要数据预处理方法,其目的是从无标签数据集中获得有价值数据集的内在分布结构,进而简化数据集的描述。历经几十年的研究,针对不同应用和数据特性已出现了千余种不同的聚类算法,但不同的聚类算法都有其特定的适用范围和不足。传统的聚类算法大致可分为划分聚类方法、层次聚类方法、密度聚类方法、网格聚类方法、模型聚类方法等。通过对传统聚类方法的回顾和总结,文章重点介绍了近年来出现的同步聚类算法、信念传播聚类算法和密度峰值聚类算法,并针对以上聚类算法的应用及发展方向进行了论述。

基于贝叶斯网络的计算机网络端到端服务故障诊断

研究了利用贝叶斯网络不确定推理技术实现端到端服务故障诊断的方法,详细描述了贝叶斯网络故障诊断模型的建立方法,设计了基于Pearl信念传播机制的故障诊断算法,并对其进行了改进,以提高诊断效果.最后,通过仿真验证了该方法的有效性,并提出了下一步的研究方向.

一种启发式的分布式最大独立集算法

从最大独立集问题的0-1整数规划数学描述入手,首先针对树图情形提出了一种基本的分布式树(Tree)算法,并证明该算法在树图情形下是最优的,然后将该Tree算法针对一般图情形进行了启发式的修正,得到一种新的分布式修正树(m-Tree)算法。理论分析表明,当图为树或二分图时,m-Tree算法可以简化为基于信用传播(BP)的分布式算法,是对BP算法的一种推广。仿真结果表明,对于树或二分图情形,m-Tree算法与BP算法都能收敛至最优解;对于一般图情形,m-Tree算法的收敛性能与权和性能均远优于BP算法,并且其权和性能接近最优解。

基于颜色和纹理信息的快速前景提取方法

近年来,研究者们提出了许多算法来处理前景提取和图像抽取问题.然而,这些算法存在许多共同缺点:需要三元图作为输入、计算时间过长、大部分算法仅仅使用颜色信息等等.在这篇文章里,作者提出了一种新的快速多层次前景提取方法.首先,应用一种改进的多层次图分割算法,将输入图像粗略地分割为前景和背景两个部分.然后,使用信念传播算法(belief propagation)估计前景/背景交界处像素的不透明度.不同于通常的信念传播算法,在平滑项和颜色项之外,作者通过构造灰度共生矩阵引入了纹理信息.鉴于数码相机图像的分辨率仍在持续快速增长,作者提出的多层次图分割算法可以在加速上述计算过程的同时,获得可以和当前许多算法相媲美的局部最优解.实验结果证明文中所提出的算法对于大尺寸图像尤其有效.

基于LDA模型的大规模文本挖掘算法研究

针对海量文本信息的挖掘与处理是目前文本挖掘领域的一个热点问题,LDA模型是文本挖掘领域中应用广泛的一种主流模型。LDA模型能够通过快速学习和训练,检测出文本集中潜在的主题词。传统算法对速度和内存优化并不明显。文章从几个不同的方面阐述了LDA模型及其扩展模型在处理大规模文本数据时的应用,从参数估计、在线学习和并行优化方面进行了比对,对其中在线模型进行了实验验证,引入狄利克雷参数、BP信念传播算法,在几组数据集上进行了实验,分析其性能。

基于混合概率背景模型的视频分割方法

提出一种新的基于混合概率模型的背景建模方法,用于视频中前景物体的检测与分割。主要利用两个概率模型:隐马尔可夫模型和概率图模型建立一个混合的贝叶斯网概率模型,对视频输入中背景变化的时间和空间局部相关性(同现性)进行学习。在建立正确模型参数的基础上,贝叶斯信念传播算法根据图像输入预测当前背景状态的后验分布,并根据预测得到的背景状态对输入图像进行分割。实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性。

结构特征强化的高效马尔可夫随机场社团发现方法

社团发现是非常重要的网络数据分析任务.统计模型类社团发现方法由于具有坚实的理论基础和优越的性能,因此越来越被人们关注.然而,已有社团发现模型一般都基于有向概率图模型,作为无向概率图模型的马尔可夫随机场极少被用于社团发现领域.2018年我们提出了一个网络导向的马尔可夫随机场模型NetMRF,该模型虽具有良好的性能,但仍存在如下问题:(1)NetMRF的能量函数不够完整,缺少往往在MRF中起主导作用的单点势函数,仅采用了常被视为起辅助作用的成对势函数对社团进行描述;(2)也正因为如此,为了使成对势函数能有效建模网络中不规则的拓扑信息,NetMRF采用了复杂的三层全连接马尔可夫随机场结构,这虽会增强其描述能力,却给推断算法带来了O(n3)级时间复杂度,n为网络节点数.本文针对上述问题对NetMRF进行改进.首先基于网络嵌入方法,结合吉布斯分布设计有效的单点势函数,解决了NetMRF能量函数不完整的缺陷;进而通过对成对势函数结构的有效稀疏化,缓解了其效率不高的问题;从而构建了一个高精度、近线性的马尔可夫随机场新模型iMRF.本文采用"最大化-加和"版本的信念传播算法对iMRF进行推断,通过最大化联合后验概率获得最优的社团配置.在两组人工网络和20个真实网络上,我们将iMRF与6个统计模型类社团发现方法(包含NetMRF)进行比较,结果显示iMRF的平均精度高于对比算法2.6%~12.9%;iMRF的平均运行速度在对比算法中也名列前茅,尤其是对于大规模网络具有更强的处理能力.

GPU加速的贝叶斯网络精确推理方法研究

对于复杂输入的贝叶斯网络,精确推理时间较长。文中针对贝叶斯网络精确推理中的团树传播算法,提出了一种基于CPU-GPU异构计算平台的并行化方法。首先研究团节点间信念势更新方式,提出了节点级并行化方法加速更新过程;其次,提出了利用计算复杂度的优先级队列方法,通过拓扑级并行化加速全局推理过程;最后,通过输入不同团树结构—线性结构、两分支二叉树结构和完全二叉树结构验证算法加速效果。实验结果表明,节点级并行化方法对线性结构有明显加速效果,拓扑级并行化对两分支二叉树和满二叉树结构有明显加速效果。