改进的变分稀疏贝叶斯学习离格DOA估计方法

为提高阵列信号处理运算速率,改善其方位估计性能,提出了一种改进变分稀疏贝叶斯学习离格波达方向(direction-of-arrival, DOA)估计方法。该方法利用实值变换,将向量化后的接收信号协方差矩阵转化到实数域,结合变分稀疏贝叶斯学习和网格演化的思想,在迭代过程中使网格从初始的均匀网格自适应地演化为非均匀网格,通过网格更新和网格裂变交替迭代使演化后的网格点逐渐逼近真实信源方位。仿真结果表明,改进方法与传统压缩感知类方法相比,减小了运算量,提高了运算速率,且具有更高的方位估计精度和方位分辨能力,在少快拍和低信噪比情况下,改进方法性能提升的优势更明显。湖上试验数据处理结果进一步验证了该方法的有效性和工程实用性。

贝叶斯分层模型变分推理与概率编程方法综述

在贝叶斯模型中,往往无法解析计算后验概率,在实践中依赖于近似推理。变分推理(VI,Variational Inference)是重要的确定性近似推理方法,比马尔科夫链蒙特卡罗(MCMC,Markov Chain Monte Carlo)采样具有更高的计算效率,在大数据时代有着显著优势。文章通过贝叶斯分层模型,回顾了经典VI,分析了随机变分推理(SVI,Stochastic Variational Inference)及其在主题模型中的应用,综述了更稳健的VI,概述了概率编程系统的研究进展,并对VI的未来发展趋势做出了展望。

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。

基于贝叶斯网络的概率图模型变分近似推理研究

概率图模型利用了概率论和图论的关键内容,为解决多变量关系中所存在的依赖性与复杂性提供了完整的解决路径。在语言处理、计算机视觉、计算生物学等众多领域得到广泛应用。本文以贝叶斯网络作为核心研究方向,就概率图模型变分近似推理的全局性、收敛性、单调性等诸多特征进行辩证分析。最终论述了基于贝叶斯网络的概率图模型变分近似推理算法的应用范畴和优势,以便为相关研究提供理论参考。

液体火箭发动机的分层贝叶斯变分推理故障诊断方法

针对稀疏数据场景下,传统的多项式-狄利克雷模型存在一定的分类精度问题,提出一种基于变分推理的分层贝叶斯网络的参数估计方法.通过在传统的多项式-狄利克雷模型中引入超先验,构建出的分层多项式-狄利克雷模型可用于贝叶斯网络中的条件分布估计.对分层多项式-狄利克雷模型的先验依赖结构进行分析研究,提出一种快速准确的自组织变分推理算法.与传统的分类模型相比,本文提出的分层多项式-狄利克雷模型在处理小数据集液体火箭发动机的故障分类中有显著的性能提高.

贝塔混合模型的变分贝叶斯学习及应用

贝塔混合模型(Beta Mixture Model,BMM)是一种重要的非高斯概率模型,常用于有界数据的统计分析.但是由于其表达式复杂,BMM的参数估计比较困难.针对该问题,本文提出一种高效的变分贝叶斯学习方法进行参数估计.该方法采用形式简单的自由分布,通过不断最大化初始变分目标函数的下界,迭代逼近得到真实的贝叶斯后验分布.在合成数据集与实际数据集上进行实验,实验结果证明了所提出算法的有效性和可行性.

基于无限逆狄利克雷混合模型的变分学习

近期的研究表明,有限逆狄利克雷混合模型是一种建模非高斯数据的重要的模型。然而,它存在参数估计及模型选择困难的问题。利用常用的EM算法无法对其进行准确地估计参数及选择最佳的混合分量数。因此,论文研究无限逆狄利克雷混合模型,提出一种变分近似推理算法对其进行学习。该算法能够同时解决这两个问题。为了验证算法的有效性,论文在人工数据集上进行了大量的实验,实验结果表明利用变分贝叶斯推理来估计混合无限逆狄利克雷分布是一种非常有效的方法。

基于改进贝叶斯概率模型的推荐算法

针对现有基于矩阵分解的协同过滤推荐系统预测精度与推荐精度较低的问题,提出一种改进的矩阵分解方法与协同过滤推荐系统。首先,将评分矩阵分解为两个非负矩阵,并对评分做归一化处理,使其具有概率语义;然后,采用变分推理法计算贝叶斯概率模型实部后验的分布;最后,搜索相同偏好的用户分组并预测用户的偏好。此外,基于用户向量的稀疏性设计一种低计算复杂度、低存储成本的推荐结果决策算法。基于3组公开数据集的实验结果表明,本算法的预测性能以及推荐系统的效果均优于其他预测算法与推荐算法。

混合逆狄利克雷分布的变分学习及应用

混合逆狄利克雷分布是正的非高斯数据分析中一个重要的统计模型.但是利用常用的统计方法比如极大近似然估计、矩估计等往往很难得到模型参数估计的显性解析式.本文提出一个变分贝叶斯学习算法,它能够在估计参数的同时自动确定混合分量数.在合成数据集及实测数据集上的实验结果表明利用变分贝叶斯推理来估计混合逆狄利克雷分布是一种非常有效的方法.

基于cSVB算法的DME脉冲干扰抑制方法

针对测距仪(distance measure equipment,DME)信号严重干扰L频段数字航空通信系统(L-band digital aviation communication system,L-DACS)前向链路接收机的问题,提出基于相关稀疏变分贝叶斯(correlated sparse variational Bayesian,cSVB)算法的DME脉冲干扰抑制方法。所提方法利用L-DACS系统正交频分复用(orthogonal frequency division multiplexing,OFDM)接收机的空子载波信息构建接收信号的压缩感知方程;然后,根据cSVB算法进行三层次贝叶斯信号建模,最后选择了两种变体算法重构DME干扰信号,并将其从时域接收信号中去除。理论分析与仿真结果表明,所提出的干扰抑制方法可以充分利用信号先验信息,进一步降低DME干扰信号估计的归一化均方误差,有效改善L-DACS系统的误码性能,提高传输可靠性。