题名 基于非参数贝叶斯模型的列车卫星定位方法
被引量:6
1
作者
刘江
陈华展
蔡伯根
王剑
刘靖远
陆德彪
机构
北京交通大学电子信息工程学院
北京市轨道交通电磁兼容与卫星导航工程技术研究中心
中国铁道科学研究院集团有限公司通信信号研究所
出处
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第1期59-68,共10页
基金
国家自然科学基金(61873023,61603027)
国家重点研发计划(2018YFB1201500)
+1 种基金
北京市自然科学基金(4182053)
中国铁路总公司科技研究开发计划(P2018G008)
文摘
基于卫星导航的列车测速定位是当前新型列车控制技术领域的研究热点。针对现场运行环境中卫星定位观测特性的不确定性对动态定位解算性能的不利影响,在卫星定位估计解算过程中引入基于Dirichlet过程的非参数贝叶斯模型,在导航卫星观测特性不定且存在性能退化风险的条件下,提出了基于Dirichlet过程混合模型驱动的高斯分布混合更新策略,给出了多滤波器动态联合状态估计计算方案。分别采用仿真数据及现场实测数据进行计算的结果表明,在常规定位估计解算中引入Dirichlet过程混合模型,能够对未知不确定的导航卫星观测特性实现有效适应,提升定位性能对观测条件的容忍能力,降低单一观测分布假设的模型失配和性能劣化风险。
关键词
列车定位
列车运行控制
卫星定位
状态估计
非参数贝叶斯模型
Keywords
train positioning
train control
satellite positioning
state estimation
non-parametric Bayesian model
分类号
U284.48
[交通运输工程—交通信息工程及控制]
题名 基于非参数贝叶斯模型和深度学习的古文分词研究
被引量:14
2
作者
俞敬松
魏一
张永伟
杨浩
机构
北京大学软件与微电子学院
中国社会科学院语言研究所
北京大学儒藏编纂与研究中心
出处
《中文信息学报》
CSCD
北大核心
2020年第6期1-8,共8页
基金
国家自然科学基金(61876004)
文摘
古汉语文本中,汉字通常连续书写,词与词之间没有明显的分割标记,为现代人理解古文乃至文化传承带来许多障碍。自动分词是自然语言处理技术的基础任务之一。主流的自动分词方法需要大量人工分词语料训练,费时费力,古文分词语料获取尤其困难,限制了主流自动分词方法的应用。该文将非参数贝叶斯模型与BERT(Bidirectional Encoder Representations from Transformers)深度学习语言建模方法相结合,进行古文分词研究。在《左传》数据集上,该文提出的无监督多阶段迭代训练分词方法获得的F1值为93.28%;仅使用500句分词语料进行弱监督训练时,F1值可达95.55%,高于前人使用6/7语料(约36 000句)进行有监督训练的结果;使用相同规模训练语料时,该文方法获得的F1值为97.40%,为当前最优结果。此外,该文方法还具有较好的泛化能力,模型代码已开源发布。
关键词
古文分词
非参数贝叶斯模型
深度学习
无指导学习
弱指导学习
Keywords
word segmentation for ancient Chinese texts
nonparametric Bayesian models
deep learning
unsupervised learning
weakly supervised learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 一种基于非参数贝叶斯模型的聚类算法
被引量:2
3
作者
张媛媛
机构
宁波大学信息科学与工程学院
出处
《宁波大学学报(理工版)》
CAS
2013年第4期24-28,共5页
基金
国家自然科学基金(61175026)
浙江省新一代移动互联网用户端软件科技创新团队项目(2010R50009)
+1 种基金
宁波市自然科学基金(2011A610193)
宁波大学学科项目(XKL09154)
文摘
鉴于聚类分析是机器学习和数据挖掘领域的一项重要技术,并且与监督学习不同的是聚类分析中没有类别或标签的指导信息,所以如何选择合适的聚类个数(即模型选择)一直是聚类分析中的难点.由此提出了一种基于Dirichlet过程混合模型的聚类算法,并用collapsed Gibbs采样算法对混合模型的参数进行估计.新算法基于非参数贝叶斯模型的框架,能够在不断的采样过程中优化模型参数并形成合适的聚类个数.在人工合成数据集和真实数据集上的聚类实验结果表明:基于Dirichlet过程混合模型的聚类算法不但能够自动确定聚类个数,而且具有较强灵活性和鲁棒性.
关键词
非参数贝叶斯模型
Dirichlet过程混合模型
聚类分析
GIBBS采样
Keywords
nonparametric Bayesian models
Dirichlet process mixture model
clustering analysis
Gibbs sampling
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 对抗样本训练图分类器进行模型推理质量评估
被引量:1
4
作者
于千城
於志文
王柱
机构
西北工业大学计算机学院
陕西省嵌入式系统技术重点实验室(西北工业大学)
出处
《计算机工程与应用》
CSCD
北大核心
2020年第17期142-149,共8页
基金
国家自然科学基金(No.61332005,No.61725205)
北方民族大学校级科研项目(No.2019XYZJK02)
+2 种基金
宁夏高等学校一流学科建设(电子科学与技术学科)(No.NXYLXK2017A07)
“计算机应用技术”宁夏自治区重点学科项目
宁夏自然科学基金(No.NZ20123)。
文摘
重叠社区发现是社交网络分析与挖掘中的一个重要研究问题,现有的大部分方法都要求采用人工方法预先设定社区个数K,这样做存在很多问题。将无限潜特征模型推广应用到关系型数据,以非参数贝叶斯层次模型为框架建立带重叠社区结构的网络生成模型,就可以避免预先设定K的值。然而,关系型无限潜特征模型的后验参数推理结果是一个N×K列的0、1矩阵上的概率分布,如何对这种多变量结构参数进行后验推理结果总结和后验推理质量评估是一个挑战,因此提出了一种利用基于对抗样本训练图卷积神经网络的图分类器来帮助总结推理结果和估计推理质量的方法。
关键词
重叠社区发现
非参数贝叶斯模型
关系型无限潜特征模型
参数 推理质量估计
图卷积神经网络
Keywords
overlapping community detection
nonparametric Bayesian model
relational Infinite Latent Feature Model(rILFM)
estimate posterior inference quality
graph convolutional neural network
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
题名 基于超像素及贝叶斯合并的图像分割算法
被引量:8
5
作者
钟忺
陈纬航
钟珞
机构
武汉理工大学计算机科学与技术学院
出处
《计算机工程与应用》
CSCD
北大核心
2018年第21期183-187,216,共6页
基金
湖北省自然科学基金(No.2015CFB525)
国家自然科学基金(No.61003130)
科技部支持计划(No.2012BAH33F03)
文摘
针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM(Mean Shift based Bayesian Region Merging)。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。
关键词
超像素
非 参数 贝叶斯 聚类模型
区域合并
空间信息
Keywords
superprixels
Nonparametric Bayesian Clustering Model(NBCM)
region merging
spatial information
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 面向复杂主题建模的流式层次狄里克雷过程
被引量:6
6
作者
韩忠明
张梦玫
李梦琪
段大高
陈谊
机构
北京工商大学计算机与信息工程学院
食品安全大数据技术北京市重点实验室
出处
《计算机学报》
EI
CSCD
北大核心
2019年第7期1539-1552,共14页
基金
国家自然科学基金(61170112)
北京市自然科学基金(4172016)
北京市科技计划课题(Z161100001616004)资助~~
文摘
互联网已经成为真实事件信息的主要来源.针对互联网海量新闻语料的主题挖掘是新闻事件的组织和追踪任务中关键的一环.主题模型已被广泛应用于挖掘和分析新闻等文本语料,LDA(Latent Dirichlet Allocation)是最常见的主题模型,然而现有基于LDA的方法没有考虑到主题之间的层次关系,且需要预先提供主题个数.作为LDA模型的扩展,层次狄里克雷过程(Hierarchical Dirichlet Process,HDP)是非参数贝叶斯主题模型,HDP能够自动确定主题个数.对于具有层次等特性的复杂主题,HDP难以挖掘出隐式层次结构,且容易产生噪音主题.为了解决这个问题,该文提出了基于HDP改进的非参数贝叶斯模型:流式层次狄里利克雷过程(Flow Hierarchical Dirichlet Process,FHDP),FHDP通过在HDP模型中加入流动操作,加强了对主题之间的同属领域信息的利用,以便于更好的对主题进行层次分析.利用加入了流动操作的中国连锁餐馆模型(Chinese Restaurant Franchise,CRF)对数据进行建模,设计相应的马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)采样方法,以推导FHDP模型的分布参数分布.FHDP的主要贡献在于:(1)对含有层次关系的主题建模时,减少了无意义信息.解决了HDP得到主题不明确的问题,扩大了HDP的应用领域;(2)由于在FHDP中加强了对主题隐含领域信息的利用,主题的层次关系变得更加明确.为了客观衡量FHDP和HDP的性能差异,利用模拟和真实数据进行了大量实验.实验表明,在轮廓系数、主题覆盖度、单字对数似然等指标上,FHDP模型明显优于HDP模型。
关键词
层次狄里克雷过程
主题模型
非参数贝叶斯模型
马尔可夫蒙特卡罗
流式层次狄里克雷过程
Keywords
hierarchical Dirichlet process
topic model
Bayesian nonparametric model
Markov chain Monte Carlo
flow hierarchical Dirichlet process
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于统计聚类方法的儿童下肢肌电信号周期识别
被引量:1
7
作者
闫成起
赵利华
陈梦婕
周军
机构
上海交通大学电子信息与电气工程学院电子系
上海交通大学医学院附属儿童医院
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第5期273-276,284,共5页
基金
上海交通大学“科技创新专项资金”(YG2017MS33)。
文摘
为运用肌电信号分析髋脱位儿童和正常儿童的差异,提出一种基于统计的聚类方法,识别步态中下肢肌电信号的周期起始时刻。使用非参数贝叶斯模型将肌电信号序列聚类为状态序列,并通过k均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态,将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置,并且利用窗函数方法提高预测准确性。实验结果表明,该方法对于预测正常儿童周期起始位置的识别误差较小,平均值为2.15%,并且在5%的置信度水平下与SampEN、SNEO和IP等检测算法相比具有较高的预测准确率。
关键词
肌电信号
周期识别
统计聚类方法
非参数贝叶斯模型
k-means算法
滑动窗
Keywords
Electromyography(EMG)signal
periodic identification
statistical clustering method
nonparametric Bayesian model
k-means algorithm
sliding window
分类号
TP399
[自动化与计算机技术—计算机应用技术]