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.

BIC准则在数据融合中的应用

通过数据融合的方法,可以减少目标识别的不确定性.如果能对数据融合中所使用的信息源的质量做出评价,则可以进一步提高识别结果的准确性.文中提出了一种利用BIC准则来确定信息源信任度系数的方法,并以此衡量信息源的质量.实验结果表明利用BIC准则确定的信任度系数可以得到较好的图像识别结果,同时也证明了该方法应用在数据融合中的可行性.

基于BIC准则的图像分割算法

为解决图像分割算法中聚类数必须事先给定,否则无法进行聚类的问题,基于BIC准则建立了图像聚类算法的新型目标函数,提出了一个自动聚类算法.该算法实现了自动聚类,通过求聚类目标函数的最小值,给出聚类数,从而为聚类数的确定提供理论依据.对两幅图像进行实验模拟,实验结果表明,本文算法是有效的,具有普适性.当聚类图像灰度变换比较明显时,本文算法与K-均值、FCM算法聚类效果相同.当聚类图像灰度变换不明显时,本文算法的聚类效果优于K-均值、FCM算法的聚类效果.

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。

结合BIC准则和ECM算法的可变类SAR影像分割

为实现合成孔径雷达(SAR)影像分割中类别数的自动确定,提出一种基于贝叶斯信息准则(BIC)的可变类SAR影像分割算法.该算法以Gamma分布建模SAR影像同质区域内部像素光谱测度的统计分布特性;结合BIC准则构建整幅SAR影像似然函数模型;并在此模型中引入类别数补偿项,继而提高BIC测度对影像分割结果的描述精度.采用期望条件最大化(ECM)算法估计其模型参数;通过遍历所有可能类别数,取最小BIC值对应的类别数作为最佳类别数.采用提出的算法分割模拟和真实SAR影像,模拟SAR影像分割结果的定性和定量分析表明,基于BIC准则的ECM算法可以实现类别数的自动确定,并可得到最优分割结果.通过对真实SAR影像分割结果的定性评价,进而证明了可变类SAR影像分割算法的准确性和可行性.

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。

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。

水文序列相依变异识别的RIC定阶准则——以自回归模型为例

水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前三阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。

基于混合准则的软测量建模辅助变量选择方法

软传感器在工业中被广泛应用于预测与产品质量密切相关的关键过程变量,这些变量很难在线测量;要建立一个高精度的软传感器,选择合适的辅助变量是至关重要的;针对这个问题,通过耦合训练集的BIC准则以及验证集的MSE准则得到一个混合整数非线性规划问题,并将该MINLP问题分成内外两层结构,外层采用遗传算法对二元整数变量进行寻优,内层在整数变量固定之后退化成了较易于求解的非线性规划问题;在此基础上经过进一步分析提出了基于混合准则的变量选择方法,然后将所得辅助变量子集代入BP神经网络进行软测量建模;最后,通过4组案例对所提出方法进行验证;结果表明,所提出方法建立的软测量模型具有较好的预测性能。

一类基于贝叶斯信息准则的k均值聚类算法

典型k-均值算法中的聚类数k必须是事先给定的确定值,然而,实际应用中k很难被精确地确定。同时该算法对初始聚类中心的依赖性而导致聚类结果可能陷入局部极小,使得该算法对一些实际问题无效。采用基于密度聚类算法(DBSCAN),在筛选局部代表点时结合贝叶斯信息准则(BIC),得到少量精准反映局部数据分布的BIC核心点。然后,以BIC核心点为初始聚类中心,BIC核心点数量为类别数,对全局数据进行k-均值聚类。实验结果表明,优化的k-均值算法是一种有效可行的聚类算法。

针对AR模型讨论AIC准则定阶是否高于真实阶数

时间序列建模过程中,确定了时间序列适合的模型类型之后,对模型阶数的确定是必不可少的。常见的模型定阶的的方法有:残差平方和法,自相关和偏相关函数法,F检验法,AIC准则和BIC准则。在实际模型定阶时,采用自相关函数和偏自相关函数拖尾或结尾来确定模型阶数,计算得到的自相关函数或偏自相关函数都是估计值,与理论上的真值之间存在一定误差;而且自相关和偏自相关函数法只适用于AR(p)和MA(q)模型定阶,对用ARMA模型来说,这种方法是不可行的。F检验法的前提是两个模型中有一个是适用的,若两个模型适用性都未知,则F检验法来检验低阶模型是毫无意义的。为了给模型更准确定阶,采用AIC准则、BIC准则定阶,利用似然函数估计值的最大原则来确定合适的模型阶数。但AIC准则定阶可能会出现高估真实阶数的情况,下面我们针对AR模型通过AIC定阶与BIC定阶对比来讨论是否AIC定阶真的高于真实阶数。

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。

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Logistic回归的广告点击行为的影响因素分析

实时竞拍是现代互联网广告行业中非常流行的一种广告投放模式。本研究的主要目的是探索哪些因素是预测广告是否被点击的重要因素。为此,本研究考虑了以下7个指标:平台编码、竞拍低价、是否为全插屏广告、手机运营商、网络状况、设备制造商和广告展现时段。然后建立Logistic回归模型,通过AIC方法做出模型选择。结果显示:1) 竞拍底价越高,广告越不容易被点击。2) 设备制造商:相较于三星、小米、VIVO等设备制造商,苹果点击率较高。3) 全插屏广告,点击率较高。4) 广告展现时段:相较于上午,下午和晚上的点击率较高。

基于Matlab的AR模型参数估计

基于Matlab用时间序列的最小二乘估计和FPE、AIC、BIC准则对AR(n)模型进行参数估计。用实例说明运用Matlab进行AR(n)参数估计,编程简单。

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络(GRNN)基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法:根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。