基于BIC准则和Gibbs采样的有限混合模型无监督学习算法

针对有限混合模型无监督学习算法分布元个数未知,本文提出了一种基于BIC准则和Gibbs采样的无监督学习算法,通过Gibbs采样算法对混合模型的参数进行估计,进一步计算观测数据的Bayes信息准则(BIC)指标,确定混合分布元个数.仿真实验以高斯混合分布为例,分别利用具有不同个数的分布模型拟合观测数据,分析表明,该算法能够很好地学习混合高斯分布参数及个数.

AIC与BIC在亲体-补充量模型选择中的应用及比较

由于渔业资源评估中补充量的剧烈变动、亲体量的测量误差以及时间序列的偏差常常使亲体 补充量(SR)关系模型的确定存在很大偏差问题。本文以7种SR(Stock Recruitment)模型的模拟数据作为观测数据,研究了AIC(AkaikeInfor mationCriterion)与BIC(BayesianInformationCriterion)在SR模型选择中的应用。作为例证,文中采用AIC和BIC对8组实际的SR数据进行了SR模型的选择,并对其结果进行了比较。参数的估计方法为最大似然法(Maximumlikelihoodmethod)。结果表明,AIC和BIC在SR模型选择中是有效的。但是,对于嵌套模型,BIC可能比AIC更有效。

改进的BIC说话人分割算法

针对多人说话改变点检测问题,提出一种改进的BIC说话人分割算法。采用固定窗BIC算法对音频流进行分割,利用基于递归的分割算法和变长窗口的BIC算法确认潜在的分割点。实验结果表明,与其他BIC算法相比,该算法的准确率、召回率和综合性能较高。

基于BIC的粗糙集择优和属性约简

粗糙集优良性评估标准对粗糙集应用至关重要,目前常用的标准是误判率,在测试集中误判率小的粗糙集并不总是具有最高预测准确度。在引入BIC准则评价粗糙集优良性的基础上,给出基于BIC准则的粗糙集择优方法和基于BIC的粗糙集属性约简方法;利用粗糙集分类规则构建Logistic模型,将拟合Logistic模型的BIC值作为该粗糙集的BIC值,并用于粗糙集优良性评估;实际应用显示:基于BIC的粗糙集择优方法能够筛选出预测高准确度的粗糙集,当多个粗糙集的误判率差异小时,新方法更可能选出预测准确度高的粗糙集,信息熵和BIC组合的属性约简结果更好。

再论线性模型自变元选择的BIC方法相容性条件

在许多情况下，对线性回归模型我们感兴趣于选择足够多的重要预测变量。本文指出了［１］中对著名的ＢＩＣ准则变量选择方法强相合性证明的错误，并重新给出了一组强相合性条件。在这组条件下，我们也证明了ＢＩＣ选择方法是强相合的。这组新的条件既容易验证又应用广泛。

基于GLR距离和BIC的混合音频分割算法

针对传统单一音频分割算法中存在的冗余分割点过多问题,研究了一种基于一般似然比(GLR)和贝叶斯信息准则(BIC)相结合的广播音频顺序分割算法,提出了候选跳变点潜在区域的判断准则,并给出跳变点在潜在区域的检测方法,最后对检测到的跳变点进行校验。实验结果表明,与传统的音频分割算法相比,该算法的综合性能大大提高,达到较好的分割效果。

改进的T^2-BIC说话人二级分割算法

针对传统T2-BIC算法累积误差较大、召回率不高的问题,提出一种改进的T2-BIC说话人二级分割算法。第1级采用改进的滑动窗口检测搜索窗中的T2统计量峰值,利用贝叶斯信息准则(BIC)对峰值进行确认,第2级利用分步解决的思想处理由于BIC可信度过低而漏选的分割点。实验结果表明,与同类算法相比,该算法分割效果较好,准确率、召回率和综合性能都有所提高。

基于t检验和逐步网络搜索的有向基因调控网络推断算法

为了克服基于条件互信息的路径一致算法(PCA-CMI)无法识别调控方向的缺陷,并进一步提高网络推断准确率,提出了一种基于t检验和逐步网络搜索的有向网络推断算法(DNI-T-SRS)。首先,对不同实验条件下的表达数据进行t检验以辨别基因调控的上下游关系,指导路径一致(Path Consensus)算法中条件基因的选取,根据CMI2(Conditional Mutual Inclusive Information)剔除网络中的冗余边,得到了基于t检验的有向调控关系推断算法CMI2NI-T(CMI2-based Network Inference guided by t-Test);然后,建立有向调控关系对应的米氏微分方程模型对数据进行拟合,根据贝叶斯信息准则进行逐步网络搜索以修正网络推断结果。利用CMI2NI-T推断DREAM6挑战中的两个测试网络,所得到的曲线下面积(AUC)分别为0.7679和0.9796,相较于PCA-CMI分别提高了16.23%和11.62%;通过进一步的数据拟合后DNI-T-SRS的推断准确率分别达到了86.67%和100.00%,相较于PCA-CMI分别提高了18.19%和10.52%。实验结果表明,所提DNI-T-SRS算法能够有效剔除间接调控关系并保留直接调控连接,得到精确的基因调控网络推断结果。

基于BIC与PSO的简约语音识别系统创建

针对当前尚无建立简约高效语音识别系统标准方法的情形,提出了通过贝叶斯信息准则(Bayesian InformationCriterion,BIC)中的权衡系数折中选择系统识别率与复杂度,利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法优化声学模型拓扑结构,进而创建高效简约语音识别系统的新方法。TIDigits上的实验表明,与传统方法创建的同复杂度的基线系统相比,用该方法建立的新系统句子正确率提升了7.85%,与同识别率的基线系统相比,系统复杂度降低了51.4%,说明新系统能够以较低的复杂度获得较高的识别率。

秩回归模型用BIC建模的相容性及应用

文[1]提出秩和回归模型预测方法,本文研究用BIC准则选择秩回归变量的相容性问题和建模原则,给出具体的模型设计方法,并在气象预测应用中效果良好。

基于BIC准则模型选择的光纤光栅波长温度拟合研究

针对现有光纤光栅温度解调系统的波长温度信息,提出将多项式拟合和BIC准则应用到光纤光栅温度解调系统中,该方法具有实时性好、易实现等特点,保证了工程性应用的前提。现场试验数据结果表明,6次多项式模型在模型参数和误差要求上最佳,同时,此时的误差为后续研究提供了参考。

基于非线性贝叶斯理论和BIC准则的防渗墙高精度瑞雷波反演研究

横波速度和厚度的反演精度是决定瑞雷波法能否应用于防渗墙检测的关键因素,同时也是瑞雷波反演的难点。为获得高精度的防渗墙横波速度和厚度,采用BIC准则和非线性贝叶斯理论,通过理论模型与实测数据相结合的方式,对与防渗墙结构相似的三层含硬夹层模型和防渗墙瑞雷波数据进行反演,并将反演所确定的模型与已知模型进行对比分析,从而验证反演方法的有效性和准确性。结果表明:非线性贝叶斯方法能够有效优化硬夹层模型和防渗墙数据,通过频散曲线反演,能够获得高精度的横波速度和厚度反演结果;将BIC准则应用到硬夹层模型和防渗墙数据,确定硬夹层和防渗墙最佳参数化模型分别为3层和8层,该模型与实际情况最为吻合,频散曲线反演精度最高。研究成果对提高防渗墙无损检测精度、确保堤坝安全运行具有重要意义。

基于BIC的新闻视频近似重复帧检测方法

近似重复帧检测是新闻视频检索和追踪的重要组成部分。简要介绍了近似重复帧的定义,给出了所使用的角点检测方法及优点,提出了使用BIC对两个帧的特征值序列进行判决来确定是否近似重复的方案。实验结果表明,该方法在不需要设定阈值和机器学习的同时,召回率和准确率都有很好的表现。

基于BIC停止准则的改进A~* OMP信道估计算法

在高速移动场景下,由于多普勒频移的影响,OFDM系统会产生严重的载波间干扰,从而影响无线通信链路的质量。为弥补该缺陷以保障通信链路的质量需求,需要对高速移动通信信道进行准确估计,然后通过均衡算法进行补偿。已有的A~* OMP算法是一种基于多路径搜索和优选的改进OMP算法,与传统OMP算法相比,虽然能够更加接近全局最优解,但其使用的停止准则在高速移动通信信道估计中性能表现欠佳。为此,提出一种运用BIC停止准则的改进A~* OMP算法,对高速移动通信信道进行估计。仿真结果表明,BIC停止准则比原有准则具有更好的信道估计性能。该改进算法在350 km/h的场景下,与OMP算法相比,约有0.5 dB的性能提升。

基于BIC的语音识别模型压缩算法

当对HMM(Hidden Markov Model,隐马尔科夫模型)语音模型进行GMM(Gaussian Mixture Model,混合高斯模型)区分训练增加组件时,语音模型的识别率会随着GMM的组件增多而增加,模型的大小也会增加,这就造成了语音模型的臃肿。而在移动端使用本地语音模型进行识别时,存放一个几百兆的模型很不合适。针对上述问题,本文提出将一个GMM组件数较多的语音模型利用BIC准则压缩到指定的组件数,从而在模型大小合适的情况下尽量保证模型的识别率。实验结果表明,使用本方法进行压缩之后的语音识别率比未压缩的相同组件数的语音识别模型的识别率要高。

基于BIC准则的基桩声波透射法管距修正研究

为减小声测管管距变化对基桩声波透射法完整性判定的影响,根据实际管距变化特点,提出采用BIC准则确定最小二乘法多项式拟合的阶数,对声测管管距进行拟合修正的具体方法。通过预设管距模拟试验数据,验证了该方法的准确性,并以某实际工程实测数据为例,进行分析拟合修正。修正后的数据能够消除声测管管斜对声速的影响,同时不影响桩身缺陷的判定,证明了声测管管距修正中利用BIC准则确定最小二乘法多项式拟合阶数方法的准确性和可行性。

高斯混合模型风电机组异常数据识别方法研究

风电机组原始运行数据中存在大量异常数据,对异常数据进行识别和剔除是后续准确预测风电机组出力及评价发电性能的基础。文章分析了风电机组运行数据功率散点在风速-功率坐标系中的分布特征,提出了基于贝叶斯信息准则(BIC)的高斯混合模型异常数据识别方法。沿水平功率方向以一定间隔划分多个水平功率区间,采用高斯混合模型对落在每一水平功率区间内的功率散点进行聚类,并引入BIC准则自适应确定模型的高斯分量个数。结合功率散点分布特征先验经验,对每一水平功率区间内的多个高斯分量置信椭圆及其聚类功率散点进行异常标识。以风电机组实际运行数据为例,验证了高斯混合模型异常数据识别方法的有效性。

面向故障间格兰杰因果发现的霍克斯过程研究

现有因果关系建模方法应用于故障事件序列时,难以有效引入因果先验,使得算法结果过于稠密,同时在稀疏、时间精度低的数据上因果关系可靠性较差。将不同故障类型事件的因果关系建模为基于霍克斯过程的格兰杰因果关系,提出一种面向故障序列的格兰杰因果发现的霍克斯过程模型。将霍克斯过程拓展到离散时间域,解决低时间精度数据的建模问题,并通过构造基于贝叶斯信息准则的目标函数,保证因果结构稀疏性,进而利用基于EM算法与爬山法的迭代优化算法引入因果先验,提高模型的可靠性。实验结果表明,该方法在由不同参数生成的模拟数据上均表现突出,且在两个通信网络的真实数据集中,F1评分相比ADM4、MLE-SGL、TSSO和PCMCI算法提升15.18%以上。而通过引入根因标注和因果依赖性先验,算法的F1评分进一步提升22.43%以上,验证了引入先验的有效性。

基于高斯混合聚类的海上风电出力特征曲线提取方法及其在电量平衡计算中的应用

[目的]为了减少化石能源消耗和改善环境污染问题,海上风力发电是解决问题的有效方式之一。然而,海上风电存在间歇性强、波动性大、双向调峰性等问题,研究其出力特性曲线对海上风电消纳具有重要意义。[方法]提出一种基于贝叶斯信息准则的高斯混合聚类模型,对海上风电原始出力曲线进行分类和特征曲线提取。[结果]得到能够反映不同海风区域特点的海上风力特性曲线,并应用于海上风电出力的电量平衡计算。[结论]最后,以沿海某省份海上风电15 GW装机规模下不同海风区域原始海上风电出力曲线为研究对象,验证所提方法的有效性。