基于混合高斯先验变分自编码器的深度多球支持向量数据描述

随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。

基于Jeffreys先验的参数相关退化可靠性评估

通过Jeffreys无信息先验分布描述了Gamma退化过程中参数的相关性,由贝叶斯模型得到各参数满条件分布,使用马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法得到参数后验期望估计,最后给出可靠度评价模型。工程实例表明,所得可靠性评估较独立情形更为保守,能够更早地给出产品修理建议。同时,仿真表明,可靠度要求越高,相关与独立情形寿命估计结果偏差越大,0.9999可靠度下偏差率最大可达9.26%。

基于先验驱动深度神经网络的泊松去噪变分模型

泊松去噪是一个典型的病态逆问题,其变分模型需要反复迭代和调节参数且计算效率低下,而纯深度学习模型往往依据经验设计网络且可解释性差。针对以上问题,在泊松噪声去噪变分模型的交替方向乘子法展开的基础上,设计端到端深度卷积神经网络,结合泊松噪声分布统计量与Bayesian最大后验概率估计推导出改进的泊松去噪变分模型。为了求解泊松去噪能量函数极值问题,采用交替方向乘子法,引入辅助变量、拉格朗日乘子和惩罚参数,将该问题分解为高斯去噪和图像重建两类交替优化子问题,先采用先验驱动的深度卷积神经网络实现高斯去噪,再通过解析迭代求解完成图像重建。实验结果表明,与基于非线性主成分分析、VST+BM3D、I+VST+BM3D和TRDPD的泊松去噪模型相比,改进模型在Set12数据集上的峰值信噪比均值分别提高2.73、0.87、0.57和0.50 dB,结构相似性均值分别提高0.148、0.046、0.020和0.047,在彩色图像及正电子发射断层扫描与计算机断层扫描图像上也明显提升了泊松去噪效果。上述实验结果证明了改进模型不仅有效去除了泊松噪声,而且避免了泊松去噪过程中产生的伪影和散斑等问题。

应用Jeffreys方法计算可靠性参数和始发事件频率的无信息先验

在核电厂概率安全评价(PSA)分析中,有些始发事件频率或设备失效记录在工业界几乎无历史数据。为了计算这些无信息先验的可靠性参数和始发事件频率,可采用Bayesian统计学中的Jeffreys方法。本文阐述了Jeffreys先验和简化的受限无信息先验分布(SCNID)的数学原理,分别导出了Gamma-Poisson模型和Beta-Binomial模型的Jeffreys无信息先验公式和不确定性区间。结合反应堆冷却剂小破口失水事故(SLOCA)实例介绍了如何应用Jeffreys先验计算始发事件频率。结果表明,Jeffreys方法是一种计算无信息先验的有效方法。

极大值与极小值I型分布的Jeffreys无信息先验分布

先验分布的选取一直以来是贝叶斯学派研究的重点,尤其是在无先验信息的情况下如何确定先验分布是贝叶斯学派关心的焦点。文章根据Jeffrey提出的利用Fisher信息矩阵确定无信息先验分布的方法,给出了极大值I型分布与极小值I型分布在不同情况下的无信息先验,为实际模型中的计算提供了便利。

面向可靠性评估的先验信息最大熵变尺度方法

研究了面向数控系统可靠性评估的Bayes先验信息获取方法,建立了基于最大熵原理的概率密度函数的非线性约束优化模型,利用拉格朗日乘子法将该约束优化问题转化为无约束优化问题。结合变尺度优化算法的特点,采用BFGS变尺度法实现了对该无约束优化问题的快速求解,并进行了仿真验证研究,仿真结果表明该方法可行、有效。

基于尺度不变特征和位置先验的行人检测算法

基于相邻和非相邻特征(NNNF)行人检测算法,提出了一种方法来解决行人特征对尺度变化敏感的问题以及窗口误检的问题.首先,在NNNF基础上,设计了一种尺度不变的特征.由韦伯定理启发,该特征表示为两个相邻或非相邻区域的差分值与这两个区域特征和的比值.这种新的特征具有很强的尺度不变性.此外,还提出了基于行人位置先验的上下文信息,作为一种简单有效的后处理方法.在行人场景中,行人的高度与位置存在一定的映射关系.利用SVM(support vector machine)训练了行人高度关于行人位置的回归模型.该模型能有效地滤除那些行人高度与位置信息不符合回归模型的检测窗口.实验表明,相比于NNNF-L2和NNNF-L4,本文提出的方法在Caltech数据库的检测性能分别提高了2.90%,和2.28%,.同时,本文提出的方法也在所有基于非深度网络的行人检测方法中具有最好的检测性能,平均漏检率为14.56%,.

基于稀疏先验和相对总变分的图像盲去模糊

在图像盲去模糊中,从单一模糊图像估计模糊核是个严重不适定问题.文中提出了一种基于稀疏先验和相对总变分的图像盲去模糊方法.该方法用权值L0平滑方法自适应地提取图像主体结构,剔除图像噪声、细节和小尺度物体边缘等不利于模糊核估计的因素;用相对总变分方法解决稀疏先验作为正则项估计复杂模糊核所存在的不准确性;用超拉普拉斯先验的正则化方法进行清晰图像估计.实验结果表明,文中算法相对于现有的图像去模糊方法,所估计出的清晰图像具有较好的结构和较少的伪迹,图像复原效果好.

基于变分和互信息的先验形状配准算法

针对带先验形状约束的几何活动轮廓模型中的形状配准问题,提出一种基于变分方法和最大互信息准则的先验形状配准算法。利用变分配准模型计算仿射变换参数,将其作为互信息配准算法的初值,通过Powell优化算法计算仿射变换参数的最优解。实验结果表明,该算法在保证配准精度的同时,能明显提高计算效率。

一个不可逆相变问题解的先验估计

给出了一个不可逆相变问题，证明了给定ｓ（ｔ）时其解的先验估计．

一维抛物方程混合变分格式的先验估计

本文简单介绍抛物方程的一种新的混合变分格式，并给出其先验估计，然后给予了详细的证明，最后给出了相关的结论，并就此结论阐明了此研究的意义和未来展望。

基于先验时滞特征的线缆捻制丝股张力均衡控制方法

丝股张力均衡控制是线缆捻制质量的重要保障。为解决捻制端张力检测与放线执行端之间的张力感知时滞效应导致闭环张力控制失效的问题,研究了根据张力实时检测数据结合先验知识给出应对时滞的张力控制策略。结合线缆捻制的实际工况,理论分析张力检测数据时滞效应,采用变分模态分解的方法对张力信号进行分解,获得多个包含原始数据特征的低复杂度和较高平稳性的固有模态分量。采用深度学习的方法融合固有模态分量,实现丝股捻制张力的预测与异常识别。结合线缆捻制先验知识,设计基于先验知识的张力均衡控制系统,依据捻制端预测张力调整执行端的放线轮磁滞张紧力,避免出现张力异常。通过仿真实验验证了方法的有效性,为实现线缆捻制丝股的张力均衡控制提供了一种有效的解决方法。

基于结构先验的变电压CT成像

为获得更高质量的CT重建图像,建立了基于结构先验的变电压CT成像方法。该方法对同一像素点在不同电压下满足最佳灰度带的有效投影数据进行叠加迭代重建,得到递变电压的重建结果,通过设定阈值,将低电压下投影数据的重建结果分为两个部分,将边缘的结构部分先验地运用到高电压下投影数据的重建结果里,以此弥补变电压重建图像过程中的信息缺失。仿真实验表明:该方法能够获得完整的工件信息,重建图像质量高,像素值也更加稳定。

变参数指数分布先验信息的折合

针对高可靠性复杂系统试验数据少、寿命试验中分布参数变动的特点,讨论了多阶段环境试验下,变参数指数分布先验信息的折合方法。提出了指数分布折合因子的概念,通过该折合因子将不同阶段试验数据折合为现场试验数据,以此作出指数分布中未知参数的折合区间估计和点估计。在寿命分布为指数分布的可靠性增长试验中,在现场样本量较小的情况下,将同分布的历史试验数据进行折合,进而运用Bayes方法评估系统失效率等有重要的意义。最后通过仿真实例验证了该方法的有效性。

基于暗原色先验与变分正则化的图像去雾研究

现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题。将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH。根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和去雾图像。实验结果表明,H-TVBH在增强图像对比度的同时能够有效抑制图像中的噪声,保留图像的纹理细节,使去雾图像更加清晰自然。

Jeffreys无信息先验分布下参数的Bayes估计

随着Bayes统计学的快速发展,分布族参数的Bayes估计问题越来越多,本文通过两个分布族,得出在Jeffreys无信息先验分布情况下参数的Bayes估计的精确形式,并证明出其结果的可效性.

一种基于截断高斯先验和变分贝叶斯的多分类算法

稀疏核方法作为一类分类算法,因其良好的解释性和广泛的适用性,在近几十年的机器学习领域获得了巨大成功.概率分类向量机是其中代表.概率分类向量机通过引入截断高斯先验,不仅拥有概率输出,也保证了结果对核参数的稳定性.然而该算法是基于二分类问题建立,无法直接应用于多分类问题.本文从贝叶斯框架出发,提出了能够直接解决多类问题的截断高斯多类模型和用于求解该模型的基于变分贝叶斯的优化算法.在模型参数上,本文采用截断高斯先验,从而在算法训练时能够更好地利用基样本对应的标签信息.不随数据集类别数增加而增加的权重个数,不仅缓解了过拟合问题,也减轻了优化算法的时间空间消耗.该算法的参数更新是在类内进行,异类之间没有干扰,这个特性不仅使得它的时间复杂度优于其它贝叶斯算法,同时也保证了当数据集各类不平衡时,不会完全忽略小类数据.多个实验表明:在分类错误率和AUC值上,本文提出的模型和算法在多个数据集上都优于对比算法,尤其是当数据集的类别数较大时,有明显优势.

大回线源瞬变电磁法先验模型约束反演方法及应用

大回线源瞬变电磁法框内接收区域较大时,边框效应明显。从正则化理论出发提出一种考虑测点偏移距,且基于先验模型约束的反演方法,该方法适应于框内接收区4/9面积的资料解释,可大幅度提高瞬变电磁法解释精度和施工效率。在反演算法中目标函数是由数据拟合项和模型约束项两部分组成,其反演结果是两者均达到极小值时的共同解,较大程度避免了反演过程中易陷入局部极小的缺陷,降低了反演的多解性。经理论层状模型计算,证明了先验模型约束反演算法的正确性。将这种方法应用于探测隐伏老空水的实例中,反演时以钻孔电阻率测井资料作为先验模型进行约束,其成果中的低阻积水异常区与收集到的采空分布范围极为吻合,且主要位于易汇水的低洼区域,通过后期钻孔验证,成果可靠。

联合群稀疏和代表系数双向空间光谱全变分的高光谱图像去噪

高光谱图像去噪是遥感领域的一个基本问题,也是预处理的重要步骤。基于代表系数全变分的去噪方法在高光谱图像(HSI)去噪中有着广泛的应用。代表系数矩阵U继承了干净HSI的先验信息,能够实现全局低秩并降低计算复杂度,但由于一阶全变分的引入,该类方法在去噪过程中产生了很强的阶梯效应并且忽略了不同波段间的共同特征,因此去噪效果很差。针对此问题,提出了一种新的联合群稀疏和代表系数双向空间光谱全变分(RCBGS)的正则化去噪模型。高阶全变分的引入缓解了阶梯效应,并在子空间的差分上引入加权l_(2,1)范数,充分挖掘不同波段除全局低秩外的共同特征,提高了HSI的内在群稀疏性和整体光滑性。最后,通过交替方向乘子法(ADMM)给出了所提方法的迭代规则,且所提方法的评价指标峰值信噪比相对于对比方法平均提升了8.79%。在模拟和真实数据集上的实验表明,所提方法在视觉质量和定量评估方面都优于相关方法。

基于ADMM和深度生成先验的高光谱解混方法

混合像元的存在制约了高光谱图像分类和目标检测的精度,为了提高混合像元分解的精度,精确地分析混合像元中的组成成分,本文提出将优化方法和深度生成先验结合的高光谱解混方法,实现数据驱动和模型驱动的有机结合。近年来,基于深度神经网络的处理方法被广泛使用在高光谱解混任务中。但是该类方法是“黑盒子”,缺乏物理可解释性。传统的基于数学优化的高光谱解混方法,通过使用人工设计的先验项引入图像内含信息,提高解混精度。但是对于复杂的先验项,求解方法复杂,且并不是所有先验信息都可以用数学模型表示出来。所以本文提出一结合交替方向乘子法优化算法和深度生成先验的高光谱解混方法,联合使用数学优化和深度方法的优越性。首先使用ADMM算法将数据拟合项和生成先验项进行解耦,对于生成先验,使用传统解混方法获得的丰度预训练变分自编码器网络,并将解码器作为生成器。本文同时使用人工合成数据和真实遥感数据验证所提出方法的有效性。