基于MB-HDP模型的微博主题挖掘

主题模型是挖掘微博潜在主题的重要工具.然而,现有的主题模型多由Latent Dirichlet Allocation(LDA)派生,它需要用户预先指定主题数目.为了自动挖掘微博主题,作者提出了一个基于分层Dirichlet过程(Hierarchical Dirichlet Process,HDP)的非参数贝叶斯模型MB-HDP.首先,针对微博应用场景,假设消息是不可交换的;接着,利用微博的时间信息、用户兴趣以及话题标签,聚合主题相关的消息以解决微博短文本的数据稀疏问题;然后,扩展Chinese Restaurant Franchise(CRF)对微博数据进行主题建模;最后,设计一个相应的Markov Chain Monte Carlo(MCMC)采样方法,推导MB-HDP模型的分布参数.实验表明,在生成主题质量、内容困惑度和模型复杂度等指标上,MB-HDP模型明显优于LDA和HDP两种模型.

基于HDP-HMM的机械设备故障预测方法研究

针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。

基于标签的半监督HDP文本分类主题模型

分层狄利克雷过程(HDP)主题模型从数据中自动学习结构最优的主题集,但往往不满足实际语义要求,而现有的一些带标签的主题模型又需要设定很难界定的参数.因此,文中在已知部分语义标签和标签确定度的基础上,分别提出半监督HDP主题模型(SLHDP)和随机簇的准确度评价指标.该模型为已知的语义标签赋予较高权重,结合狄利克雷过程有限空间无线划分的特性,并通过中国餐馆过程建模生成.在多个中英文数据集中的实验表明,在大规模数据集的文本分类中,SLHDP模型能够使主题集的构成更合理.

超宽带系统的HDP-HMM-MTCS稀疏信道估计算法

给定超宽带(Ultra Wide-Band,UWB)信道的稀疏结构,利用压缩感知(Compressive Sensing,CS)进行UWB信道估计.作为CS实现的多任务CS(Muti-Task Compressive Sensing,MTCS)算法进行信号重建.信号参数和数据共享可以使用伽马-高斯先验来求解.在本文中,层次结构Dirichle进程(Hierarchy Dirichle Processing,HDP)提供了HDP的树结构,用于解决跨多个任务的数据共享问题.我们研究UWB通信的隐马尔可夫模型(Hidden Markov Model,HMM)HDP多任务CS(Hierarchy Dirichlet Processing Hidden Markov Model based Muti-Task Compressive Sensing,HDP-HMM-MTCS)的信道估计性能.首先,在视距(Line-Of-Sight,LOS)和非视距(Non-LineOf-Sight,NLOS)环境下的标准化IEEE 802.15.4a信道的稀疏信道结构估计.其次,CS比率(CS Rate,CSR)对HDPHMM-MTCS信道估计性能的影响.最后,利用SNR(Signal-to-Noise Ratio),并将其与MTCS,STCS(Simple-Task Compressive sensing),OMP(Orthogonal Matching Pursuit),L1magic算法以及新的算法如改进的贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)算法,多经字典自适应算法BCS和特征字典自适应算法BCS的信道估计比较时间复杂性.仿真结果表明,无论LOS和NLOS环境如何,HDP-HMM-MTCS具有最小可执行时间,其信道估计性能优于MTCS和其他算法.因此,HDP-HMM-MTCS是用于稀疏信道模式的有效且高效的UWB信道估计方法.

Nor-Flash技术中HDP CVD制程能力的改善及其工艺稳定性研究

以Nor-Flash平台HDP CVD制程在工艺转移过程中所出现的良率损失(良率指标A,Index-A失效)问题为研究对象,从CVD工艺角度探索解决方案,通过实验设计及结果分析,创新性地提出在高刻蚀沉积比条件下沟槽保形生长的失效模型,并在此基础上有针对性地优化和调整工艺参数。经实验证明,改良后的HDP CVD制程能有效解决Index-A失效问题,满足大生产的需要。

分层Dirichlet过程及其应用综述

Dirichlet过程是一种应用于非参数贝叶斯模型中的随机过程,特别是作为先验分布应用在概率图模型中.与传统的参数模型相比,Dirichlet过程的应用更加广泛且模型更加灵活,特别是应用于聚类问题时,该过程能够自动确定聚类数目和生成聚类中心的分布参数.因此,近年来,在理论和应用上均得到了迅速的发展,引起越来越多的关注.本文首先介绍Dirichlet过程,而后描述了以Dirichlet过程为先验分布的Dirichlet过程混合模型及其应用,接着概述分层Dirichlet过程及其在相关算法构造中的应用,最后对分层Dirichlet过程的理论和应用进行了总结,并对未来的发展方向作了探讨.

大马士革铜阻挡氮化硅薄膜沉积工艺优化研究

在铜大马士革(Damascene)工艺中,为避免由于铜向FSG中扩散所致电迁移的问题,需要在铜表面沉积一层氮化硅作为隔离铜和随后的介电材料的直接接触,通常人们使用HDP-CVD来沉积该氮化硅层。但针对HDP-CVD沉积速率快和工艺设备成本高等问题,文中研究了一种优化了的PECVD氮化硅沉积工艺来取代HDP-CVD氮化硅工艺。优化主要包含硬件改进和工艺参数调整。硬件改进主要通过引入锥形阴极盘面代替传统的直通形阴极盘面,以实现气体分子的更有效电离。在工艺参数上从RF功率、SiH4流量等方面也有所调整。优化后形成的氮化硅薄膜与HDP-CVD氮化硅薄膜性能非常接近,完全符合大马士革工艺的要求。同时氮化硅薄膜的沉积速率也有明显提高,工艺成本随之降低。

融合多维信息的主题自适应Web API推荐方法

如何根据用户的自然语言需求描述自动生成或推荐用于解决问题的WebAPI服务集合,并辅助构建Mashup,是业务流程管理者和服务组合者关注的热点之一.如何提高推荐的质量,是大家关注的焦点.为此,提出了一种融合多维信息的主题自适应Web API推荐方法 HDP-FM(hierarchical Dirichlet processes-factorization machines)为Mashup的创建推荐Web APIs集合.该方法以Web API的描述文档为语料库,利用HDP模型训练每个Web API的主题分布向量;其次,利用已生成的主题模型预测每个Mashup的主题分布向量,用于相似度的计算;最后,将Mashup之间的相似度、WebAPI之间的相似度、Web API的流行度和共现性作为因子分解机模型的输入,评分排序获取用于推荐的WebAPIs集合.为了验证HDP-FM方法的性能,使用从ProgrammableWeb平台上爬取的真实数据进行多组实验,实验结果表明,HDP-FM方法在准确率、召回率、F-measure和NDCG@N等方面具有较好的性能.

面向产品属性的用户情感模型

传统情感模型在分析商品评论中的用户情感时面临两个主要问题:1)缺乏针对产品属性的细粒度情感分析;2)自动提取的产品属性其数量须提前确定。针对上述问题,提出了一种细粒度的面向产品属性的用户情感模型(USM)。首先,利用分层狄利克雷过程(HDP)将名词实体聚类形成产品属性并自动获取其数量;然后,结合产品属性中名词实体的权重和评价短语以及情感词典作为先验,利用潜在狄利克雷分布(LDA)对产品属性进行情感分类。实验结果表明,该模型具有较高的情感分类准确率,情感分类平均准确率达87%。该模型与传统的情感模型相比在抽取产品属性和评价短语的情感分类上具有较高的准确率。

高密度等离子体淀积工艺对颗粒度的影响

高密度等离子体(High Density Plasma,HDP)淀积工艺具有卓越的沟槽填充性能,广泛应用于深亚微米及更先进的集成电路制造的关键工艺环节.由于其淀积与溅射相结合的工艺特点,HDP中颗粒水平直接影响器件量产的良率与可靠性,是HDP工艺中的最大问题.针对集成电路量产工艺中频繁出现的HDP颗粒问题,通过分析HDP淀积颗粒成分,发现其中含有非反应气体成分氟(F)和铝(Al).利用等离子体中的氧离子修复工艺设备的腔室穹顶,降低由于预淀积薄膜黏附不足而造成剥离性颗粒;研发出氧气(O_2)钝化工艺,应用于硅片淀积间隙的腔室原位清洗工艺;通过实验设计,分析和优化O_2钝化的具体工艺条件.研究表明,将优化后的带有O_2钝化的原位清洗工艺方案应用于集成电路实际量产制造,HDP工艺的颗粒水平整体降低50%.

概率主题模型在复杂视频监控场景中的应用

视频监控是计算机视觉研究最热门的应用领域之一,其中复杂监控场景的行为分析是一项基本任务。复杂监控场景是指运动目标多且密度高的公共场所,这些场所包含多种并发的行为,且易发生群体性事件如果不能及时处理,会产生严重的影响。概率主题模型基于词袋表示方法,根据单词的共生来捕捉行为,对复杂监控场景提取的视频特征中不可避免的噪声表现出优越的鲁棒性。因此近年来广泛应用于此类场景的行为分析。本研究对其中最基本的两类主题模型Latent Dirichlet Allocation(LDA)和Hierarchical Dirichlet Processes(HDP)从理论和实验两方面进行分析对比,为以后的研究中模型选取提供依据。

基于多示例学习的异常行为检测方法

在基于轨迹分析的异常行为检测方法中,被标记为异常的轨迹往往仅在整条轨迹的某个局部存在异常,轨迹的其余部分都是正常行为.然而,传统的基于整条轨迹建模的方法很难检测轨迹的局部异常.针对上述问题,提出一种在多示例学习框架下基于轨迹分段的异常行为检测方法.该方法首先根据轨迹的曲率,将轨迹分割成若干相互独立的子段.然后采用层次狄利克雷过程-隐马尔科夫模型对每个子段建模.最后在多示例学习框架下,以整条轨迹为包,正常轨迹为负包,异常轨迹为正包,轨迹子段为包的示例进行学习.通过实验验证,该方法在准确率和召回率上都优于传统的基于轨迹建模的方法.