贝叶斯信息标准在滑坡因子敏感性分析中的应用

滑坡因子敏感性分析是滑坡预测和治理的重要前提。以巫山县新址西区作为试验区,运用滑坡影响因素与历史滑坡之间建立的Logistic回归模型,通过贝叶斯信息标准进行模型优劣程度的比较,以期得出本区滑坡因子的敏感程度。设计了逐个加入影响因子进行非嵌套模型的优劣程度对比的试验方法。试验区滑坡因子敏感程度计算结果排队依次为:岩性、高程、距有影响构造线距离、坡度、坡向、坡形。试验为区域斜坡稳定性评价提供了一种新的、可靠的方法。

改进BIC的GNSS站坐标时序有色噪声特性分析

为了有效解决传统的极大似然估计方法存在的未知数多导致结果不准确的问题,提出一种改进BIC的GNSS站坐标时序有色噪声特性分析方法:选取全球范围内100个基准站2008—2022年坐标时序及仿真的100组坐标时序,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、改进的贝叶斯信息准则(BIC_tp)对不同有色噪声模型进行噪声特性分析,获取基准站坐标序列的最优噪声模型及速度参数;探讨BIC_tp对噪声模型及速度估计的影响。结果表明,基准站坐标序列噪声模型呈现出多样性特征,在北(N)和东(E)方向主要表现为闪烁噪声+白噪声(FNWN)模型,天顶(U)方向主要表现为幂律噪声+白噪声(PLWN)模型;相比于AIC和BIC噪声模型估计准则,BIC_tp方法对有色噪声模型估计具有较高的准确性,尤其是闪烁噪声+随机游走噪声(RW)+白噪声(FNRWWN)模型对全球卫星导航系统(GNSS)站速度不确定度的影响在N与E方向远大于U方向;正确获取模型参数估计的实际不确定度及改正噪声分量对于合理应用GNSS坐标时间序列数据具有重要意义。

基于贝叶斯方法的指数寿命型产品标准化可靠度评估方法

文章提出一种基于贝叶斯方法的指数寿命型产品标准化可靠度评估方法,旨在解决传统可靠度评估方法在考虑产品异质性和信息不足方面的不足之处。该方法结合了贝叶斯统计思想和指数寿命模型,通过建立产品寿命分布的贝叶斯模型,实现了对不同产品样本的寿命分布进行准确推断。文章详细介绍了方法的数学原理和实施步骤,并通过与传统方法的比较,验证了该方法的优越性。实例分析表明,基于贝叶斯方法的标准化可靠度评估方法能更好地考虑产品的多样性和寿命分布的不确定性,为产品设计和改进提供有力支持。

实证研究中预测模型的选择:从逐步回归到信息标准

本文首先对显著性变量同变量显著性之间的关系予以讨论并区分,进而评价逐步回归模型选择法的缺陷性。在此基础上,我们对以AIC和B IC为代表的各种基于信息标准的模型选择法予以介绍和评论。同逐步回归法相比,信息标准模型选择法有着坚实的统计理论基础及清晰而优良的统计性质。本文通过基于近十年中国股市数据的实证检验说明,信息标准同逐步回归相比往往能产生具有更强预测能力的计量模型,因此值得在未来的实证研究中注意并推广。

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AI-ESTATE标准的贝叶斯网络诊断模型研究

贝叶斯网络在解决复杂装备中不确定性和关联性引起的故障中具有很大优势,建立符合AI-ESTATE标准的贝叶斯网络模型,对实现其通用性至关重要;首先介绍了AI-ESTATE标准的主要内容、体系结构和6种信息模型;其次,在对贝叶斯网络进行分析的基础上,研究如何将公共元素模型扩展为贝叶斯网络模型,详细介绍了拓展过程并给出了拓展框图,同时对各实体和属性进行了说明;最后,针对标准中采用的EXPRESS描述语言编辑工具少、通用性差等问题,采用XML语言对其交换文件进行描述,使得诊断信息具备更好的可移植性和互操作性。

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BIC与SVRM的变压器油中气体预测模型

基于v-支持向量回归机(v-SVRM)算法建立了变压器油中溶解气体变化预测模型,并引入贝叶斯证据框架对预测模型的参数进行了优化选取。同时,结合预测模型的预测正确率及预测模型的简洁度建立了预测模型的评价机制,并利用改进的贝叶斯信息标准(BIC)作为最终的评价函数量化了评价机制。在实例中与灰色理论预测模型进行了比较,结果表明在同为小样本训练数据的情况下,v-SVRM预测模型比灰色模型有更高的预测准确率,且在所提出的评价机制里表现更好。

TANC-BIC结构学习算法

树扩展朴素贝叶斯分类器(TANC)是应用较广的一种贝叶斯分类器。TANC的分类性能优于朴素贝叶斯分类器(NBC)。现有的TANC结构学习算法是基于相关性分析的,采用互信息测度。贝叶斯信息测度(BIC)在基于打分和搜索的贝叶斯网络结构学习中取得了成功,文中用BIC测度来衡量属性结点之间的相关性,提出了一种新的TANC-BIC结构学习算法。在MBNC实验平台上编程实现了TANC-BIC算法,用分类准确率衡量算法的性能。实验结果表明,TANC-BIC算法是有效的。

TANC-BIC结构学习算法的改进

基于概率的贝叶斯分类器以其简单的结构和良好的性能受到重视,树扩展朴素贝叶斯分类器TANC应用较广。用TANC-BIC结构学习算法构建的分类器取得了成功,但TANC-BIC结构学习算法未考虑类节点的情况。文中提出了一种新的结构学习TANC-CBIC算法。并在贝叶斯分类器实验平台MBNC上编程实现。实验结果表明,改进算法分类准确率要高于由TANC-BIC和TANC-CMI结构学习算法构建的分类器,TANC-CBIC结构学习算法是有效的。

基于BIC的语音识别模型压缩算法

当对HMM(Hidden Markov Model,隐马尔科夫模型)语音模型进行GMM(Gaussian Mixture Model,混合高斯模型)区分训练增加组件时,语音模型的识别率会随着GMM的组件增多而增加,模型的大小也会增加,这就造成了语音模型的臃肿。而在移动端使用本地语音模型进行识别时,存放一个几百兆的模型很不合适。针对上述问题,本文提出将一个GMM组件数较多的语音模型利用BIC准则压缩到指定的组件数,从而在模型大小合适的情况下尽量保证模型的识别率。实验结果表明,使用本方法进行压缩之后的语音识别率比未压缩的相同组件数的语音识别模型的识别率要高。

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.

基于新型二进制自适应差分演化算法的贝叶斯网络学习

贝叶斯网络是处理不确定的专门知识和推理的最流行的方法,并广泛应用于大量研究领域。贝叶斯网络学习的主要策略是利用统计评分来选择最优网络的候选者。论文提出了基于新型二进制自适应差分演化算法的贝叶斯网络学习(BDENBAL),该方法采用一种自适应的0/1矩阵作为比例因子,并通过交叉和变异算子来实现贝叶斯网络的学习过程中的信息交换。然后根据贝叶斯信息标准(BIC)评分从网络空间中选择贝叶斯网络候选者。实验结果证明本文提出的方法具有优良的性能。

基于对数能量倒谱特征的端点检测算法

端点检测技术是语音识别的关键技术之一,为了克服传统倒谱距离语音端点检测算法在低信噪比下检测效果的不理想,将对数能量(LE)特征和倒谱(C)特征相结合,提出了一种新的对数能量倒谱特征(LEC),采用模糊C均值聚类和贝叶斯信息准则(BIC)方法估计特征门限,得出了正确的语音端点判断,在三种典型噪声下,对信噪比从-5 dB到15 dB的带噪声语音进行仿真,结果表明LEC法的检测错误率仅为20.25%,明显低于倒谱法和对数能量法,能有效地确定语音的端点并改善语音识别效果。

基于BDPCA聚类算法的航空发动机故障数据标记

航空发动机作为飞行器的动力核心对飞行器的安全飞行有着举足轻重的作用,保证航空发动机的平稳运行对飞行安全有着重大意义。在基于有监督学习的航空发动机故障诊断技术不断取得进展的同时,如何将平时获取的大量未标记数据转换为能够用来训练故障诊断模型的带标记数据,成为了制约行业发展的一大瓶颈。针对这一问题引入了基于无监督学习的DPCA算法,用以实现对未标记数据集的准确分类与标记,并针对DPCA算法在局部密度计算与簇类别数选择方面的缺陷进行了优化:针对原始DPCA算法应用标准高斯核计算局部密度易造成误识别的状况,引入共享邻域算法对局部密度的计算方法进行优化;针对原始DPCA算法需要人工研判确定簇类别数易造成的误识别状况,引入BIC选择准则对簇类别数的选择方法进行优化;提出了原始DPCA算法与共享邻域算法以及BIC选择准则相结合的BDPCA算法。最后应用航空发动机转子故障数据对BDPCA算法进行了性能验证并取得了良好的结果,证实了BDPCA算法在航空发动机气路故障诊断领域有较高的实用价值。

基于高斯混合模型的轨迹模仿学习表征参数优化

针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进kmeans算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.

某三级医院医院感染趋势分析

目的了解某三级医院各临床科室医院感染控制现状及发展趋势,为制定医院感染防控措施提供依据。方法采用轨迹分析模型对该院各临床科室2010—2012年医院感染数据进行分析。结果根据各临床科室医院感染率发展趋势,分为3个亚组:第1组占科室总数的80.7%,此组科室医院感染率较低,呈下降的发展趋势(slope=-0.45),差异有统计学意义(P=0.04);第2亚组占科室总数的16.0%,医院感染率较第1亚组高,总体也呈下降趋势(slope=-0.17),但差异无统计学意义(P=0.71);第3亚组只含重症监护室(ICU),医院感染率远高于其他科室,发展趋势为先上升后下降。结论轨迹分析模型可以较好地对临床科室进行分组,方便了解全院各科室的医院感染发展趋势,针对不同组科室医院感染特点,采取防控措施。

基于改进遗传算法的DBN结构自适应学习算法

针对动态贝叶斯网络(dynamic bayesian network,DBN)是NP困难问题,提出基于改进遗传算法的DBN结构自适应学习算法。该算法计算最大互信息和时序互信息完成DBN结构搜索空间的初始化。在此基础上设计改进遗传算法,引入评分标准差构建交叉概率和变异概率的自适应调节函数,以降低结构学习过程陷入局部最优解的概率。仿真结果表明,该算法在无先验知识的情况下,相比其他优化算法,汉明距离和运行时长平均减少了30%,37.3%,评分值平均增大了18.0%。

一种基于GMM-Boost的室内定位方法

针对高斯混合模型在模型训练之前无法确定最佳采样点组合方式以及无法确定最佳分布元个数的问题,提出一种基于GMM-Boost的WLAN室内定位方法。首先,采用第二类斯特林数枚举采样点组合方式,比较不同组合方式下高斯混合模型平均定位准确度,进而确定最佳采样点组合方式。其次,针对每一种样本标签数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)选择高斯混合模型最优分布元个数。最后,结合Adaboost算法对高斯混合模型进行定位准确度提升。分析结果表明,该算法在定位误差为2 m时定位准确度为71.2%,在小样本量情况下可以获得较低的平均定位误差。与其他算法相比,该算法具有较好的定位准确度和泛化能力。

组合惩罚似然估计下发散参数变量选择

在Wang等给出的组合惩罚函数的基础之上,将SCAD惩罚部分推广到一般的非凸惩罚的形式,利用岭回归在解释变量相关度较高情形下的良好表现,提出一种推广了的组合惩罚.在参数个数发散的情形之下,利用贝叶斯信息准则(BIC)来选择调整参数,能同时完成变量选择和参数估计.而且还可以证明在合适的条件之下,这种估计具有Oracle性质.模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势.