多领域机器翻译中的非参贝叶斯短语归纳

多领域机器翻译一直以来都是机器翻译领域研究的重点,而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程,本文提出了一种使用层次化的Pitman Yor过程进行短语归约,同时把多通道引入到模型中,使得在短语归约的过程中平衡各领域的影响;从模型角度,本文的方法为生成式模型,模型更有表现力,且把对齐和短语抽取一起建模,克服了错误对齐对原有短语抽取性能的影响。从复杂度上来说,该模型独立于解码,更易于训练;从多领域融合来说,对短语归约过程中进行融合,更好地考虑到整个归约过程。在两种不同类型的语料上验证了机器翻译的性能,相对于传统的单领域启发式短语抽取和多领域加权,BLEU分数有所提高。

基于非参贝叶斯的网络文档链接模型研究

在混合成员随机块(Mixed Membership Stochastic Blockmodes,MMSB)算法框架下,研究了针对固定参数假定的限制,引入非参贝叶斯,作为模型参数的先验。在此基础上,重新定义基于主题的文档间语义关联相似性,提出了一种非参贝叶斯的关系主题模型。模型通过建立主题和链接之间的联合概率,来识别文档之间的未知潜在链接,并通过链接关系来推断未知文档的潜在语义。实验结果表明与同类算法比较,算法能够对文档间的主题和链接情况做出更加准确的预测。

基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM算法

针对常规FastSLAM算法需要大量粒子创建地图以及粒子退化而导致计算复杂度高、难以提高估计精度等问题,提出了一种基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM(同步定位与地图构建)算法.首先,改进了箱粒子滤波中以箱粒子为支撑集的均匀概率密度函数,采用高斯概率密度函数进行贝叶斯滤波,提高了估计的精度.在此基础上将Dirichlet过程非参贝叶斯学习应用于高斯箱粒子的重采样,既保证了有效箱粒子数,又能让箱粒子集中在高似然区域,降低了采样枯竭的影响.然后,利用基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波进行机器人位姿估计,可有效降低地图创建所需的粒子数,并提高定位精度和实时性.进而采用无迹卡尔曼滤波更新地图特征,以提高地图创建的一致性.仿真结果和轮腿复合机器人实地实验结果验证了本文方法的可行性和有效性.

非监督式层次话题情感模型在网络评论主题发现中的应用

自动发现话题的隐含结构、情感的极性及其关系,可以方便用户从海量网络评论集中快速获得他们关注的主要观点.提出一种基于非监督式的层次话题的情感(Unsupervised Level Aspect-Sentiment,ULAS)模型,利用贝叶斯非参数性模型作为先验知识,实现非监督式发现未标记评论文本集话题的层次结构,分析层次话题的情感极性.实验结果表明,相比传统的JST和ASUM模型,ULAS模型具备较高的分类精确度和较强的模型泛化能力,能够解决传统话题情感模型只能在单一粒度话题层进行情感分析的问题,实现多粒度话题层的情感分析,满足用户对于评论对象不同粒度话题的情感信息需求.

基于时间Dirichlet过程混合模型的在线目标跟踪

针对目标跟踪过程中,可变目标表观的特征数据会发生"分布漂移"的问题,提出一种基于非参贝叶斯多模表观模型的目标跟踪方法。首先,以时间Dirichlet过程为先验分布,把先前估计的目标样本划分为不同的聚集,使得每个聚集表示一类表观,同时,每个表观类被建模为判别式分类器;然后,基于贝叶斯后验推断,权衡先前表观模型的分类误差和拆分聚集的代价,从数据中自主学习表观模型;最后,基于Noisy-OR模型,以贪心(Greedy)策略协同各表观分类器判别出目标。仿真结果表明该方法能较好的跟踪可变目标表观,改善了目标跟踪性能。

基于多语言任务的口语词的一次性学习

一次性学习(one-shot learning)是一种仅从一个或少数例子中学习新概念的人类的能力。首先提出口语词上的一次性学习任务的计算模型——基于HHMM模型的口语词的一次性学习框架;然后利用非参贝叶斯方法从多语言语音数据中发现语言间通用的类音素声学单元;最后将自动获得的声学单元用于一次性学习任务,对英语、日语和汉语的口语词进行一次性分类实验。实验结果表明,从多语言中获取的类音素声学单元可以作为基本的概念组合生成复杂的概念(词),实现口语词分类,表明了从一种语言中学到的基本声学单元的知识可以迁移到另一种语言的学习中去。

人群密集场景中运动模式识别

针对从人群密集场景中识别运动模式的问题,提出了距离依赖中餐馆连锁店过程混合模型。该模型是一种引入依赖关系的层次化非参贝叶斯模型,能够通过引进独立于数据观测值的距离依赖信息,准确建模自然分组的数据,从中挖掘共享的数据模式。给出了模型的建立过程,并通过吉布斯采样的方法对模型进行求解,同时展示了相关的实验结果。通过对纽约广场火车站监控场景数据集中47 866条片段轨迹的建模分析,证明了模型可以自动确定场景中运动模式的个数,从不完整的轨迹中以98%的正确度学习并表达运动模式,并且能够在不同的运动模式之间共享公共的子模式。

基于层次狄利克雷过程的图像标注与分类方法

笔者提出了一种监督式层次狄利克雷过程模型(MM_HDP)。该模型利用层次狄利克雷过程模型发现文本与图像间的关联主题,解决异质多模态数据存在的语义鸿沟问题,具备实现图像自动标注与分类的能力。为了验证模型的有效性,在LabelMe和UIUC数据集上进行了测试。实验结果表明,相对于其他传统模型,该模型表现出了良好的效果。