面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network,BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明:WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。

基于视觉双通路与贝叶斯模型的烟雾检测方法

该文提出了开放环境下基于贝叶斯模型与视觉双通路融合的烟雾检测方法。首先利用Itti视觉注意模型自下而上生成灰度显著性图;然后通过被测图像纹理特征直方图与烟雾样本纹理特征直方图的匹配,自上而下获得纹理显著性图;最后根据贝叶斯模型融合灰度与纹理显著性图,生成最终的烟雾概率显著性图。实验结果表明,该文方法能准确提取图像中的疑似烟雾区域,具有抗光照变化的优势,适用于开放环境下的实时烟雾检测。

融合可视与不可视地标的行人相对定位方法

充分考虑不同数据源在变化场景下的数据差异性和行人在导航定位服务中的空间认知习惯,提出了一种融合可视地标与不可视地标的行人相对定位方法。利用基于传感器复合证据理论的方法构建目标路径的不可视地标(如磁场变化、WiFi更新等),检测GoPro Fusion设备获取的全景影像中的视觉显著的可视地标及其与采样点间的相对空间方位属性;根据行人实时获取的传感器数据和地标方位信息分别推估行人在目标路径中可能停留的路段区域;采用贝叶斯概率融合方法融合可视地标与不可视地标数据进行行人定位结果推估。实验结果表明,融合多源数据可以解决单一场景下行人定位精度不足的问题。在传感器特征较少的单一场景下,与基于不可视地标的行人定位方法相比,该方法的精度提升了12.78%。