基于贝叶斯最优化的Xgboost算法的改进及应用

在使用Xgboost框架时,经常涉及各种参数的调整,并且参数组合的选取对模型的分类性能影响较大.传统的参数寻优方法,通常先导出一个惩罚函数,然后运用经验或者穷举法调整参数值来最大化或最小化这个惩罚函数,但是经常会遇到某个模型没有一个显式的表达式情况.这类模型的参数寻优就非常麻烦,同时又会给算法带来一定的不确定性和随机性.本文基于高斯法(GP)的贝叶斯最优化算法对Xgboost框架进行参数寻优,提出了一种新的算法GP_Xgboost,并通过多组数值进行实验.结果表明本文改进的算法分类效果要优于人工调优和穷举法,从而证明了该算法的可行性和有效性.

基于贝叶斯准则的硬判决融合协同频谱感知最优化

将硬判决融合协同频谱感知描述为贝叶斯二元假设检验问题,本文考虑感知信息传输错误的可能性,以最小化平均判决风险(贝叶斯风险)为目标的最优本地判决和最优判决融合可分别归结为LRT(likelihood ratio test)问题,并证明基于能量检测的本地LRT与观测量的门限判决等价。当仅有本地判决结果可用时,融合中心通常假设本地观测量独立同分布,可证明此时的最优融合准则为N中取K的投票准则,并给出一种低复杂度的数值迭代算法来求解最优本地判决门限和投票融合门限。数值结果显示,大多数情况下最优N中取K的投票融合可被多数逻辑融合代替而几乎不增加判决风险。

贝叶斯最优不完全区组设计的最优设计

在Majumdar等人工作的基础上，木文讨论了贝叶斯A─最优，贝叶斯D─最优不完全区组设计，对Majumdar等人的工作进行了推广，提出并证明了定理1、定理2及推论。这种推广有着重要的统计意义。