基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．

基于RJMCMC的视觉多目标跟踪算法

研究了基于MCMC的多目标跟踪算法。针对MCMC迭代过程中抽样置信度低以及不能进行有效迭代的问题,提出一种新的基于RJMCMC的视觉多目标跟踪算法。给定观测量,将跟踪问题建模为状态量的最大后验估计(MAP)、关于MAP的先验与似然的估计。借助匹配阵给出了目标先验建议分布,设计了4种马氏链可逆运动方式;似然度量采用随空间加权的颜色直方图匹配衡量。MCMC抽样过程中的状态由MS迭代产生,而不是随机走生成。基于似然度量导出了MS迭代式。实验结果及定量分析评估结果说明了本算法的有效性。

贝叶斯框架下快速公交的站间运行状态推断

站间行程车速是度量快速公交运营服务和乘客体验的重要指标.由于红绿灯、行人过街等影响,快速公交车速分布往往呈现多峰现象,很难利用单一分布描述.本文建立了贝叶斯框架下基于多相站间车速的高斯混合模型,利用可逆回跳马尔科夫链蒙特卡洛方法推断快速公交站间运行状态,包括状态个数和各状态权重、速度均值和方差.以广州市快速公交为例,展示了该模型可很好地拟合多相车速数据,合理划分快速公交运行状态.发现广州市快速公交在早晚高峰容易衍生出新的运行状态,对于车速低于25 km/h的走廊,其运行状态个数较多,且更容易随时段发生变化,符合实际调查结果.可见本文提出的模型能有效地分析快速公交的速度分布特征和演变规律,验证了该模型的有效性.

基于长方形点过程的遥感图像汽车提取

针对遥感图像中汽车的识别和提取问题,分析大规模数量汽车的分布和排列,提出基于长方形点过程的汽车分布概率模型.采用先验模型刻画汽车在空间中的分布规律,采用数据项表达模型与图像的联系.采用模拟退火策略结合可逆跳马尔科夫链蒙特卡洛采样方法,对模型进行优化求解,实现图像中汽车的自动识别和提取.实验结果表明,所提方法能很好地用于道路和停车场等规则场景,提取精确度达到99%,回收率达到90%;由于先验模型的约束可以很好地解决汽车相互重叠和方向摇摆的问题,汽车提取的效果比传统算法更好.

基于DeepMask和RJMCMC的遗留箱体检测

论文针对视频监控中的遗留箱体检测进行了研究,提出了基于深度神经网络特征提取及分割和贝叶斯网络建模相结合的检测方案。深度神经网络用于特征提取及个体分割以获取当前帧的似然概率及箱体检测,并使用贝叶斯建模方法将跟踪问题转化为状态的最大后验估计,在求解过程中采用RJMCMC的迭代采样法,以实现对可变多目标的跟踪。进而借助于RJMCMC过程的三种行为方式中的"新生"及跟踪状态,来判别箱体是否为遗留,从而实现对视频中遗留箱体检测。实验结果集定量分析评估表明了该算法的有效性。

基于阵列单通道的DOA和信号源数目联合跟踪

针对现有阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的阵列单通道目标跟踪方法。该方法在利用接收机轮流采样建立频域阵列信号处理模型的基础上,通过对期望入射信号的估计,建立跟踪方程,然后引入可逆跳转马尔科夫链蒙特卡洛方法对粒子滤波算法进行改进,实现实时波达方向和信号源数目估计。仿真结果证明,此方法既可实现单通道的信号源数目和波达方向联合跟踪,又可实现波达方向估计与波束形成一体化,且跟踪精度较高。

应用RJMCMC方法识别线性模型异常点

传统线性模型异常点识别方法容易发生误判:正常点被归为异常点或者异常点被归为正常点.为解决此类问题,提出了应用逆跳马尔科夫蒙特卡洛方法识别异常点的思想,同时将其应用于实际数据加以检验,识别效果明显好于传统方法.