概率模型在图像分类方面的应用

随着互联网、多媒体技术的不断发展以及图像数据的迅速增长,如何对大量的图像数据进行有效的图像分类已经成为目前图像处理技术研究的热点问题。对提取的图像信息特征结合概率模型求解图像分类的问题,能够有效提高图像分类的效率与精度。本文主要介绍了极大似然估计、最大期望算法和变分推断三种求解方法,并总结归纳了基于这几种概率模型的图像分类方法的研究现状,以及这些方法的优缺点,最后总结了有待深入研究的难点问题,并对基于随机变分推理的图像分类方法进行了展望。

多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法

现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi‑directional Long Short‑Term Memory,Bi‑LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95%置信区间与概率密度分布(Probability Density Function,PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.