Bayes决策理论下的速度谱智能化解释及建模方法

高精度的速度建模作为强非线性问题,需要一个比较正确的初始速度模型,而基于CMP道集的初始背景速度扫描估计是最稳健的方法。面对规模巨大的CMP道集,研究智能化的初始背景速度扫描估计方法是有必要的,其核心是合理的速度谱解释。这可以看作是基于速度谱解释人员的先验知识和层位约束信息,在Bayes决策意义下,在高维速度谱数据体中,以风险决策函数值最小为原则、挑选最合理的时间—速度(TV)对。为此,提出了一套以人工交互拾取速度谱逻辑思想为指导的决策框架。首先生成速度谱数据体及类叠加剖面,通过计算相干属性从类叠加剖面提取层位结构;再依据结构信息对速度谱能量团进行K均值聚类,对于每个类别以先验信息和数据空间分析的统计信息为约束,自动迭代搜寻使代价函数最小的TV对;最后通过插值平滑生成速度场,且经过基于统计量约束的质量控制降低了横向不连续性。该方法将层位信息的利用贯穿到从聚类到自动拾取的整个过程,并且将解释人员的先验认识及邻域拾取结果量化为自动拾取时的约束量,体现了速度谱解释的智能化,缩短了速度建模周期。

复熵及其在Bayes决策中的应用

本文将熵的概念扩展到复数域,并在定义传递熵的基础上,把信息论的原理应用到Bayes决策分析中,使决策与信息有机结合,提高了决策的精度。

基于Bayes决策理论的数据融合方法

提出一种基于Bayes决策理论的多元优化数据融合方法 ,给出更具一般性的数据融合算法、判决准则以及系统性能计算公式 ,并给出几种不同情况下的数据仿真结果。仿真结果证明了该方法的正确性和有效性。

基于Bayes决策理论的表面肌电信号模式分类的研究

通过对采集的四通道表面肌电信号进行分析,对其建立AR(Autoregressive)参数模型,提取AR模型参数构建特征矢量。根据实际表面肌电(SEMG)信号的随机性特征,提出了一种采用Bayes决策理论对肌电信号的AR模型参数特征进行分类的新方法,并运用最小错误率Bayes分类器,很好地实现了对前臂八种动作表面肌电信号的模式分类。平均识别率为99.125%。此外,还提出采用动态聚类中心的方法对其进行了改进,使其平均识别率提高到99.5%。研究表明,采用Bayes分类器对肌电信号的AR模型参数特征进行分类,是一种有效的处理手段,并可直接应用到其它具有随机性特征的生理电信号的模式分类中。

基于覆盖的概率粗糙集模型及其Bayes决策

经典的Pawlak概率粗糙集模型是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到。因此,许多学者建立了基于一般关系(如容差关系、相似关系等)的Pawlak粗糙集模型。本文建立了基于覆盖关系的概率粗糙集模型,推广和总结了前人的工作。同时,提出了该模型下的Bayes决策方法和应用实例。

基于Bayes决策的光谱分类

天文观测技术的迅速发展推动了大规模的星系光谱巡天计划如SDSS、LAMOST等,面对这些巡天项目所观测到的海量光谱数据,研究自动的光谱分析方法已成为必然的选择。研究了基于Bayes决策的光谱分类方法,将光谱分为恒星,星系和类星体三类。首先采用主分量分析来进行特征提取,将光谱投影到由三个主分量构成的特征空间中;然后,采用非参数密度估计Parzen窗法来估计类条件概率密度函数;最后利用基于最小错误率的Bayes决策进行分类。在Parzen窗法中,核宽很大程度上影响着估计效果,从而影响着分类效果。通过详尽的实验分析了核宽和分类效果的关系,发现当核宽接近某个阈值时,识别率将会增加,但小于这个阈值时,识别率反而下降。

Bayes决策理论在分布式多源信息融合中的应用

论述基于Bayes决策理论的分布式多传感器检测系统的多源信息融合方法，给出统一的判决规则，并以最小错误概率判决准则为例，介绍融合决策方程的建立及系统性能的表达式．最后通过两种情况的仿真计算结果，分析基于信息融合技术的多传感器检测系统的工作性能．

基于最小风险的Bayes决策方法在交通检测中的应用

提出了一种在智能交通系统中实时检测交通参数时更新路况背景的新方法,即基于最小风险的Bayes决策分类的背景提取方法。通过比较在不同类别路况模式下的期望风险值,找到最小风险值所对应的决策方案,相应地采取不同的策略替换路面背景。这种方法可达到精确地检测车辆的目的,并将其应用于智能交通参数的视觉检测过程中。其结果满足实时性检测的要求,可作为智能交通系统中高层控制管理的基础。

基于Bayes决策的组合中值滤波

针对图象滤波中的滤噪和细节保护的矛盾,提出了基于Bayes决策的组合中值滤波技术。内容有:(1)导出了测试向量的联合分布密度函数;(2)提出了先验概率的一种估计算法,该算法具有一定的普遍应用意义;(3)基于Bayes决策,将标准中值滤波器(MF)和多级中值滤波器(MLM)组合应用,给出一种效果优良的组合中值滤波器结构。

基于Bayes决策的蚁群优化算法

基于Bayes决策理论,提出了一种可以改进蚁群算法搜索性能的有效方法;针对基本蚁群算法中存在的“停滞”现象,对蚂蚁个体的寻优过程采取了隔代强化的措施,使算法具备较强的发现新解的能力,再采用后验分析对蚁群算法中的转移概率进行调整,使得改进后的蚁群算法在随机搜索过程中呈现出自组织特性,蚂蚁个体利用各自的后验知识不断地强化那些能“经受考验”的可行解,从而有效地压缩了搜索空间,提高了搜索效率.试验结果表明,该方法无需知道转移概率的先验分布,在解空间的全局寻优时具有良好的收敛性和鲁棒性.

Bayes决策的概率型粗糙集模型

本文讨论了概率型粗糙集模型与 Bayes决策方法的联系 ,建立了 Bayes决策方法的概率型粗糙集模型 ,实现了粗糙集理论应用于

基于Bayes决策的手写体数字识别

提出了一种用Bayes决策理论进行手写体数字识别的方法,对已知类别的样品提取特征建立数字样品库,对于任意的手写数字提取特征,根据数字样品库中已知样品的特征,运用基于最小错误概率的Bayes决策进行识别.实验证明Bayes决策理论用于手写体数字的识别有较好的效果,一般情况下识别率能达到96%以上.

Bayes决策理论用于模式识别分类问题的进一步探讨

给出2种Bayes决策分类方法,分别设计出了相应的分类器,最后通过一实例,对2种方法进行了比较与分析.

基于Bayes决策的视频交通流检测方法

本文提出了一种在路况背景中检测行驶车辆的新方法。在更新路况背景时采用了基于Bayes决策分类的背景提取法,通过平均灰度差值判别背景的变化性,相应地采取不同的策略替换背景。这种方法提取的背景在准确性上较以往方法有较大提高,可精确地达到车辆检测的效果。结果可作为智能交通系统中高层交通管理及车辆控制的基础。

基于Bayes决策的奇异点检测

针对奇异信号中奇异点的检测和定位问题,提出了一个新的信号奇异点检测方法。根据脉冲奇异点的特点,首先将脉冲奇异点的检测建模为一个分类问题:信号中的脉冲奇异点为一类,非脉冲奇异点为另一类。然后,基于Bayes决策和Neyman-Pearson准则,在限定脉冲奇异点漏检概率的情况下,导出了两类点之间的分界面。据此设计了一个新的脉冲奇异点检测方法——基于Bayes决策的脉冲奇异点检测(BDPSD)方法。模拟及真实信号上的实验结果表明,与基于小波变换的模极大法相比,BDPSD方法在检测质量和定位精度方面都有很大的改善,证明BDPSD是一个有效、可行的信号奇异点检测方法。

失业保险方案优化实施的Bayes决策

下岗和待业是当前我国的社会热点问题 ,做好失业保险这项工作无疑是一件很有意义的事 .本文运用Bayes决策方法探讨了失业保险方案的优化实施问题 ,在适当的条件下导出了最优的参试单位数及最优安排 .

Bayes决策及其应用

为了利用Bayes决策理论对学生通过考试的概率进行预测,首先在理论上证明了Bayes决策函数是一种最优决策,给出了Bayes决策的错误概率以及回归函数的一条简单的性质。其次在预测学生通过考试的概率模型中,从影响学生成绩的每周电脑游戏时间数T、课外活动时间数E及一些无法量化的指标等因素L出发,用Bayes决策构造出各种情形下的最优决策函数,以较小的错误概率对学生通过考试进行预测,这在实际教学管理过程中有一定的应用价值。

基于后验修正bayes决策树模型的保险营销决策方法

文章首先在对Bayes决策体系进行细致分析后,提出了保险营销决策模型,并对引起情报价值的状态因素进行分解,以确定在何种自然状态下一般决策较大,使得有针对性地避免措施产生。其次根据多阶段决策原理引入后验信息,为保险企业进行产品试验分析提供理论方法,在此基础上根据一个算例提出修正概率变动趋势与由Bayes矩阵估计出的概率变动趋势的一致性判定准则,以克服以往研究不对后验情报价值具有性进行判定的缺陷。

有补偿二阶段问题的Bayes决策

本文利用Bayes决策观点,对于随机规划中的有补偿二阶段决策问题,定义了Bayes决策准则,并利用样本的信息给出了最优的Bayes决策,讨论了一些相应的性质。