面板数据贝叶斯自适应Lasso分位数回归——基于非对称指数幂分布的研究

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用具有左右尾参数的非对称指数幂(AEP)分布和基于Gibbs的自适应Metropolis–Hastings抽样方法,对经典贝叶斯分位数回归方法进行了扩展与改进,形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法,并将该方法首次应用于面板数据中。同时,为检验AEP方法的有效性,本文将该方法与基于偏指数幂(SEP)分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示,AEP方法比SEP和ALD方法更不易受极端值的影响,性能更稳定。并且,在不同扰动项分布假设和不同分位数水平下,该方法具有更高精度的变量筛选功能。最后,选取36家我国零售类上市公司为实证研究对象,运用AEP方法对其股票收益率影响因素进行筛选和回归估计,进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。

基于秩自适应贝叶斯张量分解模型的交通流量数据修复方法

针对传输线路故障、通信故障等原因造成智能交通系统在某时刻或时段无法识别到车辆,导致数据缺失的问题,提出一种基于秩自适应贝叶斯张量分解模型的交通流量数据修复方法.首先,考虑交通数据的时空相关性,基于张量模型构建数据结构.其次,使用贝叶斯模型在张量分解的参数和超参数上设置灵活的先验和超先验分布,构建秩自适应算法解决张量分解模型的秩选择问题.最后,采用长沙市车辆牌照识别(License Plate Recognition,LPR)系统记录的2019年7月1日至2019年7月28日793个交叉路口的交通流量数据,检验在不同的张量数据结构、丢失方式、丢失率以及张量分解秩的情况下该模型的数据修复精度.研究结果表明:秩自适应算法能够捕捉张量分解最佳秩的大小,避免预设秩过大导致的过拟合现象;与传统的CP分解(CANDECOMP/PARAFAC decomposition)和均值法相比,本文所提算法的平均绝对百分比误差在丢失率达到30%的情况下降低了20%,有效提升了交通流量数据修复的准确性.研究成果可为交通流量预测、交通出行时空特征分析中的数据修复提供参考.

贝叶斯图弹网模型及其推广

文章利用贝叶斯弹网模型在小样本高维数据变量选择上的优势,将弹网正则化方法与高斯图模型相结合,提出了贝叶斯图弹网(BGEN)模型,并通过分块Gibbs采样方法对精度矩阵进行估计;同时,为了让所提出的模型能够在高维数据下拥有更好的性能以提升模型的鲁棒性,将所提出的模型进一步推广至贝叶斯自适应图弹网(BAGEN)模型。数值模拟和实例分析表明:在小样本高维情形下,所提方法具有明显优势。

一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制

该文采用基于概率模型的贝叶斯压缩感知方法,从最大后验概率角度,给出了压缩信道感知的一般流程。在此基础上,利用自适应贝叶斯压缩感知将信号的重构和观测矩阵的设计结合,使这两个环节不再相互独立。同时,提出一种基于最优观测矩阵的自适应贝叶斯压缩感知联合机制,通过减少观测矩阵的相关度以及对观测矩阵的自适应设计,使得信道的重构效果更佳。另外可利用重构过程中得到的差错栏,对重构精确度进行衡量。仿真表明:在相同的实验条件下,该联合机制相比传统的重构算法,具有更好的抗噪声能力和重构精度。

右删失数据下比例风险混合治愈模型的贝叶斯自适应Lasso

将贝叶斯自适应Lasso方法应用于右删失数据下的比例风险混合治愈模型中,通过建立贝叶斯框架下的层次模型实现参数估计和变量选择,在不同设置下的有限样本中验证方法的有效性.最后将所提出的方法应用于乳腺癌的实例中.

抗肿瘤药物贝叶斯Ⅰ期临床试验设计方法比较研究

Ⅰ期临床试验的主要目的是探索药物毒性最大耐受剂量MTD,而MTD估计的准确与否将影响之后的Ⅱ期和Ⅲ期临床试验研究的结果。抗肿瘤药物Ⅰ期试验的特点是直接对病人进行试验,且样本量较小,这对构造估计精确度高并具有安全性保障要求的统计设计方法提出了挑战。回顾三种常用的Ⅰ期试验设计方法有:3+3设计、CRM设计和mTPI设计。3+3设计是应用较为广泛的传统方法,后两者是当前常用的贝叶斯自适应试验设计方法。通过大量模拟研究对三种方法从最优分配、安全性和估计MTD精确性三方面给以全面考察,并结合中国实际得出mTPI设计是比较适合推荐的I期临床试验设计方法的结论。

基于贝叶斯算法与高斯混和模型的语者确认研究

文章针对统一背景模型与群模型两种反模型进行了分析,在基于统一背景模型与群模型的改进说话人确认模型的基础上,将贝叶斯自适应算法引入到基于高斯混合统一背景模型的说话人确认系统,解决了说话人确认中存在的模型不匹配问题,通过文本无关的测试语音库进行的实验和分析显示,改进算法具有更好的识别效果。

贝叶斯变量选择及模型平均的研究

对多元线性回归问题中的变量选择进行研究,改进现有的贝叶斯自适应抽样(BAS)方法,在实现整体不放回抽样的前提下,局部引进放回抽样的方法,通过数据仿真发现,同样进行贝叶斯模型平均(BMA),改进后的方法预测效果比改进前的BAS预测效果更好。

基于LZW算法和贝叶斯MARS的入侵检测研究

提出了一种基于LZW算法的入侵检测算法。使用系统调用序列作为特征数据,采用LZW算法对系统调用序列数据进行变长短序列划分,同时对短序列进行压缩,并在应用的过程中对LZW算法进行适当调整以适应序列的划分。通过贝叶斯多元自适应回归样条(贝叶斯MARS)模型,对正常和异常序列进行分类并标识入侵。实验结果表明,基于LZW变长序列划分方法符合系统调用序列的内在规律,在较高压缩比的情况下,获得了很好的检测性能。LZW算法与贝叶斯MARS相结合的入侵检测算法,对各种数据表现稳定,具有一定可行性和实用性。

基于自适应SPI总线的列车PIS系统研究

地铁乘客信息系统不仅为乘客提供各类资讯的服务系统,而且在火灾、阻塞及恐怖袭击等非正常紧急情况必须提供报警和疏散提示。针对地铁设备体积小,功耗低的需求,提出基于FPGA+ARM的嵌入式数据采集方案,采用以太网结合SPI总线的传输设计满足了数据采集实时性高,传输数据准确的要求。该方案具有长期运行,稳定可靠的特点。同时还提出采用自适应在线调整采集传输速率的算法,结合贝叶斯网络进行离线训练的算法,对系统功耗控制进行了探讨,取得降低17%功耗效果。

基于Wald检验的海面雷达目标贝叶斯检测方法

为了改善非均匀非高斯海杂波背景下海面雷达目标的检测性能,提出了一种基于Wald检验的海面雷达目标贝叶斯检测方法。首先,利用逆高斯分布和逆复Wishart分布分别建模海杂波的纹理分量和散斑协方差矩阵。其次,在假设散斑协方差矩阵已知的条件下基于Wald检验设计了非自适应的雷达目标检测器。最后,利用辅助数据估计的散斑协方差矩阵代替其真实值,得到了自适应的雷达目标贝叶斯检测器。仿真结果表明,在不同的形状参数和不同数量的参考数据条件下,提出的检测器优于相关经典检测器。提出的自适应贝叶斯雷达目标检测器提高了非均匀逆高斯纹理复合高斯海杂波环境中雷达目标的检测性能。

基于SDC特征和GMM-UBM模型的自动语种识别

本文提出了一种基于SDC特征和GMM-UBM模型的自动语种识别方法。SDC特征由许多语音帧的一阶差分谱连接扩展而成,与传统的MFCC特征相比,包含了更多的时序特征信息。UBM模型反映了所有待识别语种的特征分布特性,借助贝叶斯自适应算法可以快速得到每个语种的模型。与传统的GMM方法相比,该方法的训练和识别的速度更快。该方法对OGI电话语音库中11个语种进行了测试,其10秒、30秒和45秒句子的最佳识别正确率分别为72.38%、82.62%和85.23%,识别速度约为0.03倍实时。

神经网络泛化增强技术研究

综述和比较现有改善神经网络泛化能力的方法,特别对其中的5种实用方法进行详细的理论分析,指出各自的优缺点。实验中将各种方法用于函数逼近与数据分类两大领域,通过泛化能力与运行时间的对比,给出其性能排序。发现贝叶斯自适应正则化方法性能最好,其次是正则化法、逐步增加法、剪枝法;早期停止法速度最快,但是用于函数逼近效果不佳,只能用于数据分类。

语言辨识系统的决策级融合研究

文中利用不同参数提取方法对语言辨识系统决策级融合进行了研究。文中给出4种融合方式,实验系统采用了GMM-UBM模型,利用OGI-TS多语种电话语音语料库,对决策级融合性能进行了评估。实验表明,利用决策级融合技术,选择最佳融合方式,可以很好地改善语言辨识率。

基于分层噪声估计的Bayesian-NSCT图像去噪算法

非抽样Contourlet(NSCT)是一种具有平移不变特性的Contourlet变换,能更好地表示图像几何纹理信息。本文提出了一种在非抽样Contoulet域下基于域分层噪声估计的,采用Bayes自适应阀值计算和硬阀值去噪相结合的的综合图像去噪算法。实验结果表明,该方法改善了噪声图像的去噪效果,保存了图像中更多有效信息,性能和视觉效果均优于其他同类算法。

基于GMBM-UBBM模型的语言辨识研究

高斯混合模型(GMM)是进行说话人无关的语言辨识的一种有效方法,高斯混合二元模型(GMBM)是GMM模型的二元时序扩展,该文在GMBM和GMM-UBM模型的基础上提出了一种基于GMBM-UBBM模型的语言辨识系统,并利用OGI-TS电话语音库对算法的性能进行了测试,然后给出了实验结果。实验结果表明,该算法也是进行语言辨识的一种有效方法,与传统的GMM-UBM算法相比,该算法最多可以获得4.378%的相对改善率。

基于GMM-UBM的语言辨识算法研究

运用Matlab软件,以自已建立的语音数据库为基础,对与文本无关的基于GMM-UBM的语言辨识系统进行了测试,获得的平均识别率达74%,与传统GMM算法的测试对比,基于GMM-UBM的语言辨识算法能更好地改善语言辨识系统的性能.

稀疏基阵水下声成像的压缩感知方法

声传感器基阵式成像是水下目标探测的主要方法之一。在保证成像质量的同时,采用稀疏基阵是降低系统复杂性的有效途径。另一方面,成像方法也是关键技术之一,其性能直接决定成像质量的优劣。在前期研究的稀疏阵基础上,提出了压缩感知成像方法用于水下成像。回波经传感器基阵接收并进行信号分离后,获得各虚拟通道信号,利用压缩感知方法进行成像。在提出的成像方法中,采用了自适应块贝叶斯算法,它能够在噪声环境下较为准确地恢复图像。此外,根据声信号特点设计字典,并按算法特性设计了数据排列规则。实验表明:通过自适应块贝叶斯算法的压缩感知成像能够可靠地对水下目标进行成像,目标的几何特征明显。

基于非降采样Contourlet变换的非线性图像增强新算法

为了克服传统去图像噪声算法的限制,该文提出一种基于非降采样(Nonsubsampled)Contourlet变换的增强新算法(NNIEM-NSCT)。此新算法通过充分利用方向子带相关性的自适应贝叶斯阈值,既保护了图像边缘细节,又可更好地抑制图像噪声。其次,文中构造的非线性增强匹配函数,通过改变变换域的系数能有效对图像强弱边缘进行不同程度的增强。实验结果证明,该文新算法在图像细节处理上,优于基于NSCT的方法,细节方差(DV)大约为NSCT的2倍,背景方差(BV)基本保持不变,并且具有更好的视觉效果。

基于频率共现熵的跨语言网页自动分类研究

研究了基于频率共现熵的跨语言网页自动分类问题,使用翻译软件将所有中文网页翻译为英文,计算中文和英文网页的共现特征频率共现熵值,确定中文和英文网页的共现知识,并与英文网页相结合训练中文分类模型.实验结果表明,该方法与贝叶斯分类模型、向量空间分类模型和信息瓶颈模型相比体现出良好的性能.