基于贝叶斯信息准则的极化干涉SAR图像非监督分类

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization,EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian InformationCriterion,BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。

基于贝叶斯信息准则的非侵入式负荷事件检测算法

用户负荷数据监测是实现需求侧管理的基础,非侵入式负荷监测技术是负荷监测的重要发展方向,而事件检测是非侵入式负荷监测中的一个关键环节。对适用于模型选取问题的贝叶斯信息准则进行建模,将贝叶斯信息准则首次运用到事件检测当中,利用快速事件检测算法降低贝叶斯信息准则检测算法的误检率,并能解决CUSUM算法中产生的漏检问题。最后采用真实数据集进行测试。实验结果表明,相比于CUSUM算法,基于贝叶斯信息准则的事件检测算法能达到更好的检测准确性,并且能明显提高计算运行的速度。

基于贝叶斯信息准则的文本主题数估计

特定领域的主题识别和关键词提取有着广泛的应用,但通过人工指定识别或文本聚类自动生成的主题类别缺乏客观的度量方法。该文结合基于BIC准则的模型选择理论和独立分量分析技术对主题的数量进行概率估计,给出主题数量在BIC意义下的统计分布。在此基础上实现了文档矩阵的ICA分解,并根据分离的独立分量获得主题的关键词及其权重。实验表明,该方法在没有领域知识支持的情况下能估计出反映文本集合的主题数并提取相应的关键词。

一类基于贝叶斯信息准则的k均值聚类算法

典型k-均值算法中的聚类数k必须是事先给定的确定值,然而,实际应用中k很难被精确地确定。同时该算法对初始聚类中心的依赖性而导致聚类结果可能陷入局部极小,使得该算法对一些实际问题无效。采用基于密度聚类算法(DBSCAN),在筛选局部代表点时结合贝叶斯信息准则(BIC),得到少量精准反映局部数据分布的BIC核心点。然后,以BIC核心点为初始聚类中心,BIC核心点数量为类别数,对全局数据进行k-均值聚类。实验结果表明,优化的k-均值算法是一种有效可行的聚类算法。

基于贝叶斯信息准则的多波束海底底质非监督分类

海底底质分类作为海洋测绘的主要研究方向,适用于无先验样本的非监督底质分类技术是重要的研究内容。传统K-均值聚类方法存在主观设置参数的局限性,无法准确高效判别最优聚类数。因此,本研究首先依据多波束反向散射强度角度响应曲线数据,结合贝叶斯信息准则构建特征概率密度模型,实现聚类数的准确寻优;其次,融合多波束强度特征和地形特征构建基于K-均值的海底底质非监督分类模型。实验表明:该方法准确解释了实际底质的分布情况,总体分类精度和Kappa系数分别为77.97%和0.67,相较于最大最小值法和中心点法分别提高了13.93%、0.22和1.69%、0.02,收敛迭代次数比中心点法减少67次,提高了分类效率,为海底底质的自适应聚类提供参考。

采用信息理论准则的信号源数估计方法及性能对比

为了从机械系统观测混合信号中有效评估信号源的数目,以及解决数据点较大时贝叶斯信息准则(BIC)难以计算的问题,在剖析了3种信源数目估计准则(赤池信息准则(AIC)、最小描述长度(MDL)以及贝叶斯信息准则(BIC))的原理和算法的基础上,提出了基于对数函数修正的改进贝叶斯准则(IBIC)。该准则利用对数运算将BIC目标函数中的多参数指数运算转换为乘积运算,在不降低计算精度的条件下,显著改善了BIC准则的计算效率和工程应用性能。仿真实验分析表明:AIC与MDL具有近似的源数估计性能,对非线性调制成分非常敏感;从能量角度分析,提出的新准则容忍非线性调制成分(非线性调制信号能量占观测信号总能量)能量比为5.15%,较AIC(0.07%)与MDL(0.08%)具有更好的鲁棒性能。壳体结构试验台声源数目估计实验表明,3种方法均可有效评估声源数目。本研究对于模态阶数选择、系统复杂度分析以及基于机械系统信号源分离的状态监测与故障诊断具有学术意义和工程应用价值。

基于层次结构与多模块的海洋生物分类算法

传统分类方法在海洋生物图像分类任务上视各类别相互独立,而生物间存在着明确的相互关系,常规方法忽略了其生物学关系。为了使分类网络充分利用数据间的关系,该文提出层次化贝叶斯信息准则(HBIC)探索分层结构,并结合预定义层次结构联合学习,共同辅助神经网络分类。此外,为更高效准确地提取数据全尺寸特征,设计了一种EAConv模块,并引入相对注意力机制,基于多模块与层次结构,进一步建立端到端联合优化的分层学习方法框架(EAHNet)。所有实验基于私有的南麂列岛潮间带大型海洋生物数据集进行,根据层次结构设计的常规卷积神经网络能够将分类准确率提高到86.16%,完整网络能够使准确率达到96.17%,同时能够保证准确率与参数量等网络性能的均衡。结果表明,所提出的多种层次结构辅助、卷积与注意力机制特异性结合的特征提取方法,有效加强了网络对于海洋生物关系信息与特征的捕获能力,从而在整体上取得非常有竞争力的结果。

基于非线性贝叶斯理论和BIC准则的防渗墙高精度瑞雷波反演研究

横波速度和厚度的反演精度是决定瑞雷波法能否应用于防渗墙检测的关键因素,同时也是瑞雷波反演的难点。为获得高精度的防渗墙横波速度和厚度,采用BIC准则和非线性贝叶斯理论,通过理论模型与实测数据相结合的方式,对与防渗墙结构相似的三层含硬夹层模型和防渗墙瑞雷波数据进行反演,并将反演所确定的模型与已知模型进行对比分析,从而验证反演方法的有效性和准确性。结果表明:非线性贝叶斯方法能够有效优化硬夹层模型和防渗墙数据,通过频散曲线反演,能够获得高精度的横波速度和厚度反演结果;将BIC准则应用到硬夹层模型和防渗墙数据,确定硬夹层和防渗墙最佳参数化模型分别为3层和8层,该模型与实际情况最为吻合,频散曲线反演精度最高。研究成果对提高防渗墙无损检测精度、确保堤坝安全运行具有重要意义。

基于改进评价准则的贝叶斯网络模型选择

现有的贝叶斯网络模型选择的各种评价准则中,评价准则最为常用.然而在大样本前提下近似推导得到的准则,在基于小样本条件下进行贝叶斯网络模型选择时,得到的网络过于稀疏,网络连通性不足.而准则在小样本条件下学习贝叶斯网络,选择出的网络往往比较复杂.针对这一情况,本文通过引入调整因子,将与准则的惩罚项进行加权,提出了评价准则,从而提高了小样本情况下贝叶斯网络模型选择的效果.理论分析和实验结果反映了改进的准则的合理性和有效性.

基于贝叶斯决策的电池模型参数辨识方法

为实现储能电池模组(battery module,BM)等效电路模型参数估计精度和复杂度的平衡,考虑BM内单体电池内阻、容量等参数的不一致,结合串/并联电路基本特性,提出一种基于贝叶斯决策理论的BM等效电路模型辨识方法,通过引入贝叶斯信息准则估计最优模型参数。采用简化建模法、整体建模法和组合建模法在MATLAB/Simulink中搭建两并联两串联的BM等效电路模型,在恒流放电和动态应力测试工况中进行仿真与验证,结果表明,基于三阶RC、多项式函数拟合项数为3的组合建模法具有较高精度,在动态应力测试工况中模型误差不超过1.97%,验证了所提BM模型参数辨识方法的有效性和准确性,为解决多类型储能高精度等效电路模型问题提供有效方法。

数控机床贝叶斯可靠性评估模型的综合评价方法

基于DIC(Deviance Information Criterion)信息准则、BGR(Brooks-Gelman-Rubin)诊断原理、蒙特卡洛仿真误差及模型参数和可靠性指标后验估计的区间长度,提出了数控机床贝叶斯可靠性模型的综合评价方法.给出了不同先验下用于Gibbs抽样的幂律过程模型参数的后验分布,并利用马尔科夫链蒙特卡洛法获得了模型参数和可靠性指标的贝叶斯点估计和区间估计.通过2个工程实例进行验证,结果表明,幂律过程模型各项评价指标均优于Weibull分布模型,适用于小样本故障数据数控机床的可靠性评估.

类相关性影响可变选择性贝叶斯分类器

在最大相关最小冗余(mRMR)属性选择方法的基础上,通过设置一个调节因子来改变类别相关性在属性选择中的影响程度,解决mRMR方法易于引入冗余属性的问题,提出一种类相关性影响可变选择性贝叶斯分类器(CCRI SBC).为克服人为指定属性个数易于导致的分类结果随意性,采用贝叶斯信息准则来自动确定最优属性个数.为使CCRI SBC能够处理含有连续变量的数据集,提出等频类别依赖最大化离散化方法,具有分类准确率高和离散化时间短的优点.UCI数据集的实验结果表明,本文方法能够有效处理离散和连续高维数据的分类问题.

信息论联合聚类算法及其在视频镜头聚类中的应用

视频镜头自动聚类是基于内容索引与检索领域中的重要研究课题.以往相关工作,缺乏考虑描述镜头内容的特征与特征间存在关联性以及关联特征对镜头相似性度量和镜头聚类性能带来的影响.为提供更合理的镜头相似性度量,该文基于信息论联合聚类算法,将特征关联性挖掘和镜头聚类描述为彼此依附的同步优化过程.同时,为自动估计视频中镜头类别数,文中还提出基于贝叶斯信息准则的类别数估计算法.

自适应类别的层次高斯混合模型遥感影像分割

为了实现自动确定类别数的高精度遥感影像分割,提出一种自适应类别的层次高斯混合模型(Hierarchical Gaussian Mixture Model,HGMM)遥感影像分割算法.提出算法采用多个高斯混合模型加权和定义HGMM,用于建模具有非对称,重尾和多峰等复杂特性的影像统计模型.采用期望最大化算法(Expectation Maximization,EM)求解模型参数.为了实现自动确定类别数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)求解最优类别数,其中惩罚项采用加权像素数定义.为了验证提出算法可行性和有效性,对模拟和全色遥感影像进行分割实验,并对分割结果进行定性和定量分析.结果表明HGMM具有准确建模复杂统计分布的能力,提出算法具有高精度和高效率,同时可自动确定最优类别数.

基于变分贝叶斯改进的说话人聚类算法

说话人聚类是说话人分离中的一个重要过程,然而传统的以贝叶斯信息准则作为距离测度的层次聚类方式,会出现聚类误差向上传递的情况。本文提出了一种逐级算法增强处理机制。当片段之间的最小贝叶斯信息准则距离超过设定的门限值时,或者类别个数到达一定程度时,将当前聚类结果作为初始类中心,通过变分贝叶斯迭代法重新对每个类别中的片段调优,最后再依据概率线性判别分析得分门限确定说话人个数。实验表明,本文方法在美国国家标准技术署08summed测试集上,使得"类纯度"和"说话人纯度"比传统算法都有了一定提升,且使得说话人分离整体性能相对提升了27.6%。

正交匹配追踪和BIC准则的自适应双频段预失真模型优化算法

针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则(Bayesian Information Criterion,BIC),并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明:优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.

一种新的预测蛋白质二级结构的模型—贝叶斯神经网络

提出了一种新的基于贝叶斯神经网络(BNN)的蛋白质二级结构预测方法。计算结果表明,BNN的性能优于反向神经网络(BPNN),平均Q3精度在四组交叉证实数据集与测试数据集下分别提高了3.65%和4.01%;还提出了一种有效缩短马尔可夫链蒙特卡罗(MCMC)模拟过程中“burn in”阶段的交叉证实初值选取方法。

根据非线性贝叶斯理论的界面波频散曲线反演

通过时频分析法从海底环境噪声数据中提取界面波频散曲线,进而采用非线性贝叶斯反演方法估算海底沉积物厚度、剪切波速度、压缩波速度和密度等参数及其不确定性。参数的最大后验概率(MAP)估计值和边缘概率分布分别通过自适应单纯形模拟退火法和Metropolis-Hastings采样法在各参数先验区间内搜索获得,采用贝叶斯信息准则(BIC)从不同参数化模型中选择最优模型。界面波频散曲线反演结果表明:满足实测数据的最优海底模型结构为3层均匀分布剪切波速度剖面结构,海底深度的反演精度在800m以内,比起压缩波速度和密度,剪切波速度的不确定性更小,对界面波频散曲线更敏感。

基于信息瓶颈算法的图像分割

图像分割是图像信息处理的内容之一。分割方法有很多,其中较为典型的是模糊C均值(FCM)算法,但它存在一些缺陷。该文提出一种基于信息瓶颈的图像分割方法,用凝聚的信息瓶颈算法对图像像素进行聚类。在分割过程中,使用贝叶斯信息准则确定图像区域的类别数。对一个包含500幅图像的图像库进行实验,结果表明该方法具有很好的分割效果。

基于邻域信息的B样条密度模型的医学图像分割研究

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型而存在模型不匹配及应用于图像分割时对噪声比较敏感的问题,提出了一种基于空间邻域信息的B样条密度模型的图像分割方法。首先,通过构建基于规范化的B样条密度函数的非参数混合模型,定义空间信息函数,使得分割模型具有空间邻域信息;其次,利用非参数B样条期望最大(NNBEM)算法估计密度模型的未知参数;最后根据贝叶斯准则实现图像的分割。该图像分割方法不需要假设图像符合某种模型,就可以克服实际数据分布与假设图像模型不一致的问题。此方法有效克服了"模型失配"问题,而且有力抑制了噪声点,同时很好地保留了边界的特性。分别对模拟图像进行仿真,验证了基于空间邻域信息的B样条密度模型的分割方法的有效性。