基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing,CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning,Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法,简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。

基于稀疏贝叶斯学习的GFDM系统联合迭代信道估计与符号检测

针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶斯学习框架下,结合期望最大化算法(Expectation-Maximization,EM)和卡尔曼滤波与平滑算法实现块时变信道的最大似然估计;基于信道状态信息的估计值进行GFDM符号检测,并通过信道估计与符号检测的迭代处理逐步提高信道估计与符号检测的精度.仿真结果表明,所提算法能够获得接近完美信道状态信息条件下的误码率性能,且具有收敛速度快、对多普勒频移鲁棒性高等优点.

基于子空间模型的稀疏贝叶斯DOA估计

为了提高相干信源条件下的离格波达方向(direction of arrival,DOA)估计精度,提出一种基于子空间模型的稀疏贝叶斯学习(sparse Bayesian learning,SBL)的DOA估计算法。该算法首先将子空间平滑(subspace smoothing,SS)技术与加权子空间拟合(weighted subspace fitting,WSF)技术结合,然后将此子空间模型应用于SBL算法,并将离散网格点视为动态参数,用期望最大化(expectation maximization,EM)算法迭代更新网格点位置。与传统稀疏恢复算法相比,该算法在估计误差及计算复杂度上均具有明显优势,并对信源数目的估计误差具有较强的鲁棒性。

基于广义高斯分布的贝叶斯概率矩阵分解方法

贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性,常用于个性化推荐系统,但其推荐精度会受初始评分矩阵稀疏特性的影响.提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF(generalized Gaussian distribution Bayesian PMF),采用广义高斯分布作为先验分布,通过机器学习自动选择最优的模型参数,并基于Gibbs采样进行高效训练,从而有效缓解矩阵的稀疏性,减小预测误差.同时考虑到评分时差因素对预测过程的影响,在采样算法中添加时间因子,进一步对方法进行优化,提高预测精度.实验结果表明:GBPMF方法及其优化方法 GBPMF-T对非稀疏矩阵和稀疏矩阵均具有较高的精度,后者精度更高.当矩阵非常稀疏时,传统贝叶斯概率矩阵分解方法的精度急剧降低,而该方法则具有较好的稳定性.

基于稀疏表示的快速图像超分辨率算法

针对传统基于超完备字典的图像超分辨率重建算法训练样本庞大、训练时间长、稀疏度固定,且迭代时间长的问题,提出一种快速的图像超分辨率重建算法。该算法在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计,得到数量合理的训练样本,在稀疏表示阶段使用改进的广义正交匹配追踪算法,克服稀疏表示算法中固定稀疏度的缺陷。实验结果表明,相比传统字典训练算法,该算法能提高超分辨率重构的精度,且平均迭代时间较少。

基于广义近似消息传递的快速DOA估计方法

针对稀疏恢复类波达方向(direction of arrival,DOA)估计算法中计算复杂度高的问题,提出了一种基于广义近似消息传递(generalized approximate message passing,GAMP)方法的稀疏贝叶斯学习算法。该算法在现有双基地无源雷达系统模型基础上,构建了多快拍下的GAMP信号统计模型,将高维联合后验概率密度的计算简化为标量运算,提高了算法的计算效率。对于离网目标,利用梯度下降方法推导了角度空间网格更新策略,进一步提高了角度估计的精度。仿真结果表明,该算法在有限快拍、低信噪比情况下,估计精度较高,计算复杂度较低,适用于实时性要求高的应用场景。

基于贝叶斯ELM的隐层节点数稀疏性研究

在贝叶斯极限学习机中,模型隐层节点数的确定尚无理论依据,一种基于多响应稀疏回归方法(Multiresponse Sparse Regression,MRSR)的隐层节点数稀疏方法由此被提出。首先根据传统神经网络确定隐层节点数的经验方法设定模型的隐层节点数为区间范围的上限,然后利用MRSR方法对模型输出矩阵和标签向量进行稀疏性回归分析求解,最后能得到一个既能对隐层节点数进行稀疏也能对样本个数进行稀疏的贝叶斯极限学习机模型。仿真结果表明该方法在满足精度要求的前提下能剔除冗余的隐层节点,进一步实现了模型的稀疏性。

用稀疏贝叶斯概率模型做文本分类

如今,当处理大量数据集的协变量时,相比小样本量的一个常见问题是:估计与每个协变量相关联的参数。当协变量的数量远远超过样本的数量,参数估计变得非常困难。在这项研究中,我们开发了一个稀疏的Probit贝叶斯模型(SPBM)的基础上吉布斯抽样,其利用双指数函数之前诱导收缩,并减少在模型协变量的数目。使用6个领域,如数学,在维基百科已下载的方法中进行评估。我们通过计算并根据执行训练和测试组的分类的阈值作为决策规则。利用遍布全球50个运行平均灵敏度和特异性我们的模型的表现相比,支持向量机(SVM)。该SPBM实现了高分类精度和几乎所有的分析领域优于SVM。

风电场输出功率的多时段联合概率密度预测

风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。