耦合变密度地下水流降阶模型与高斯过程的蒙特卡罗模拟

变密度地下水流系统受水力梯度和密度梯度共同驱动,非线性强,数值模型计算量大,尤其在开展不确定性分析时需要的计算成本很高。常规的数据驱动机器学习方法只能对点监测信息进行模拟分析,不能模拟整个地下水流系统。本研究发展了变密度地下水流降阶模型,利用高斯过程模型对降阶模型的数值误差进行修正组成耦合模型。耦合模型既能克服高斯过程只能模拟有限监测点信息的缺陷,又能提高降阶模型对监测点信息的模拟精度。考虑二维剖面变密度地下水流案例,将渗透系数场设定为空间随机变量,采用基于全阶模型(FSMC)、降阶模型(ROMC)和耦合模型(GP-ROMC)3种蒙特卡罗模拟方法进行不确定分析。研究结果表明:(1)ROMC能替代FSMC开展不确定性分析;(2)水头和盐度的平均相对二范误差与降阶模型维度的关系可用指数函数描述(决定性系数R2≥0.99);(3)GP-ROMC对监测点信息的模拟精度比ROMC高,GP-ROMC可有效修正降阶模型误差提高蒙特卡罗模拟的精度。研究成果可为地下水建模、不确定性分析、风险评估及参数反演等工作提供重要技术支撑。

基于GMM-Ada-LASSO模型的高维过程统计质量监控方法

针对高维数据往往不服从正态分布导致统计监控模型识别精度低、监控效率差的问题,文章提出一种基于高斯混合模型的变量选择控制图方法。首先,利用高斯混合模型将高维过程分解成若干个服从正态分布的子分布;然后,运用Adaptive LASSO算法识别潜在异常变量;最后,构建多元EWMA控制图实现高维过程统计质量监控。通过仿真实验,在六种不同情形下对所提方法的监控性能进行测试。结果表明,与传统MEW⁃MA和VS-MEWMA控制图相比,所提监控方法对非正态数据具有较强的稳健性,对高维过程具有良好的监控性能。

基于Tri-training GPR的半监督软测量建模方法

集成学习因通过构建并结合多个学习器,常获得比单一学习器显著优越的泛化能力。但是在标记数据比例较少时,建立高性能的集成学习软测量模型依然是个挑战。针对这一个问题,提出一种基于半监督集成学习的软测量建模方法——Tri-training GPR模型。该建模策略充分发挥了半监督学习的优势,减轻建模过程对标记样本数据的需求,在低数据标签率下,仍能通过对无标记数据进行筛选从而扩充可用于建模的有标记样本数据集,并进一步结合半监督学习和集成学习的优势,提出一种新的选择高置信度样本的思路。将所提方法应用于青霉素发酵和脱丁烷塔过程,建立青霉素和丁烷浓度预测软测量模型,与传统的建模方法相比获得了更优的预测结果,验证了模型的有效性。

基于自适应惩罚的潜变量高斯图模型结构学习

采用自适应惩罚似然方法解决含潜变量高斯图模型的结构学习问题.模拟结果表明,自适应惩罚显著优于非自适应惩罚,可有效降低估计偏差,更准确地估计给定潜变量时观测变量间的条件独立性关系.

基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别

作为一种非线性维数约减算法,高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)由于其适合处理小样本、高维数据,因而在模式识别、计算机视觉等领域得到了广泛应用.基于此,提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法,其中利用改进的GPLVM进行特征提取,高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化,为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点,提出基于免疫克隆选择算法的GPLVM,利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明,该算法不仅降低了特征维数,且提高了识别精度,从而验证了算法用于SAR图像目标识别的有效性.

一种新的多角度人脸表情识别方法

传统的多角度人脸表情识别方法是对角度特殊的样本采用角度特殊的分类器识别,该方法忽略了不同角度的人脸表情是相同的人脸表情的不同表现形式,而且传统的多角度人脸表情特征提取时间较长以及不能满足增量更新的要求,基于此,提出了一种新的多角度人脸表情识别方法。该方法首先提取回归模型的增量修正特征,然后用PCA进行特征选择,最后采用判别共享高斯过程隐变量模型识别多角度人脸表情。在CMU-PIE和LFPW数据库上的对比实验表明了该方法较传统的多角度人脸表情识别方法好。

一种基于改进高斯过程隐变量模型的多角度人脸识别算法

针对传统谱算法在人脸识别中的局限,该文提出一种基于改进高斯过程隐变量模型(GP-LVM)的多角度人脸识别算法。首先,通过高斯过程(GP)对人脸流形建立概率模型,得到高斯过程隐变量模型(GP-LVM);其次,分析GP-LVM得到共有信息(shared information)和独有信息(private information),利用概率最大化与拉格朗日乘子法得到参照矩阵和参照值;最后,实现多角度人脸识别。选取Yale,JAFFE,FERET,CMU-PIE 4类数据集进行对比实验,实验结果表明:该文提出的算法可以有效地识别多角度人脸,针对无角度人脸识别也具有良好的效果。

基于双因子高斯过程动态模型的声道谱转换方法

针对作者已经提出的双因子高斯过程隐变量模型(Two-factorGaussianprocesslatentvariablemodel,TF-GPLVM)用于语音转换时未考虑语音的动态特征,并且模型训练时需要估计的参数较多的问题,提出引入隐马尔科夫模型(Hidden Markov model,HMM)对语音动态特征进行建模,并利用HMM隐状态对各帧语音进行关于语义内容的概率软分类,建立了分离精度更高、运算负荷较小的双因子高斯过程动态模型(Two-factor Gaussian process dynamic model,TF-GPDM).基于此模型,设计了一种全新的基于说话人特征替换的语音声道谱转换方案.主、客观实验结果表明,无论是与传统的统计映射和频率弯折转换方法相比,还是与双因子高斯过程隐变量模型方法相比,本文方法都获得了语音质量和转换相似度的提升,以及两项性能的更佳平衡.

层级潜变量空间中的三维人手跟踪方法

针对人手状态空间维数过高的问题,提出一种基于层级流形学习的三维人手跟踪方法.将人手状态空间划分成多个人手部分状态空间,采用层级高斯过程潜变量模型得到更能反映人手运动本质的树状低维流形空间,降低了粒子滤波器有效跟踪人手所需的粒子数量;使用径向基函数插值方法构建低维流形空间到图像空间的非线性映射,将低维粒子直接映射到图像空间中观测.实验结果表明,该方法可以鲁棒地跟踪关节人手.

考虑风速变异性的风致屋面覆盖物损失评估

屋面覆盖物在大风中容易遭到破坏,而屋面的破坏可能引起雨水渗透而导致房屋内部受到更大的损害。因此文章基于西安大略大学风洞试验数据提出一种在强风作用下屋面覆盖物风致损失的概率评估方法。首先简单介绍了风洞试验及试验数据的基本概况;然后利用Hermite多项式模型拟合每个测点的风压系数的概率密度分布;随后采用转换过程法估计相应的极值风压系数概率分布函数;最后以沥青瓦片为例,计算每块瓦片失效的概率及整个屋面覆盖物的损失率,包括不考虑风速变异性和考虑风速变异性的情况。

基于SGPLVM-LSSVM算法的U形折弯件模型参数优化研究

影响高强度U形折弯件回弹的因素众多,比如工件尺寸、力学性能和负载条件等,使得高强度折弯件的弯曲回弹难以控制。把回弹角α和最小弯曲回弹半径R作为双目标函数,首先利用监督学习-高斯过程隐变量模型(SGPLVM)进行变量筛选和降维,构建U形折弯件的最小二乘支持向量机模型(LSSVM);再把SGPLVM-LSSVM实验结果分别与SVM、FEM、实际零件进行比较,验证了此算法模型的可行性。

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。

基于学习的群体动画生成技术研究

为了降低群体动画中生成大量自然而又相似的人体运动的难度和复杂性,研究了一种基于学习的群体动画生成技术。该技术首先通过建立基于高斯过程隐变量模型和隐空间动态模型的运动姿势学习模型,将高维运动姿势映射到低维隐空间中,并在低维隐空间对相邻姿势的动态演化进行建模;然后通过对已有运动数据的学习来获得组成该运动的姿势的概率分布,再通过隐空间中的动态预测和Hybrid Monte Carlo采样来得到符合给定概率分布的隐轨迹;最后通过姿势重构来得到与原运动非常相似但又不同的一系列自然的运动,以产生群体动画,从而避开了传统的基于几何和物理约束的逆运动方法固有的困难和复杂性。

多模态高斯过程回归抠图

基于相似度扩散的半监督式抠图是利用图像的局部关系模型构造全局优化函数来求解,现有常用算法的局部关系模型为单一形式,难以适应自然图像的多变特性,提出一种基于高斯过程回归的局部多模态模型.分析自然图像的多变性,据此构建带有常数、线性、非线性3种模态的多模态通用学习框架,通过构造不同的核函数使得局部高斯回归能够适应不同颜色分布情况,后根据高斯回归的置信度来设计模型组合系数,并给出了多模态下的全局优化闭合解.最后从理论上证明两种传统算法为本文算法的特例,从理论上说明了本文算法的先进性.实验表明与传统算法相比,本文算法更能够适应图像的多变特性,在视觉和定量误差上都能取得更好的效果.

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题,提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先,采用期望模型扩展方法构建自适应模型集,并对各个扩展目标状态进行初始化.其次,基于高斯过程建立联合跟踪门以选择有效量测,形成联合关联矩阵.然后,拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后,利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差,并将更新的状态进行融合,得到最终的状态估计.仿真验证了所提方法的有效性.

基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。

基于共有GP-LVM和改进型SVM的数据分类算法

针对传统谱算法在数据分类问题中的局限,提出一种基于共有GP-LVM和改进型SVM的数据分类算法。通过高斯过程(GP)对数据流形建立概率模型,得到高斯过程隐变量模型(GP-LVM),分析GP-LVM得到数据流形的特征信息;利用多核迭代的方式,改进SVM算法中的核函数,建立最佳的数据分类器,实现数据分类。选取FERET、UCI多类数据库进行对比实验,实验结果表明,该算法可以有效地对高维数据进行分类,针对均衡数据和不均衡数据也具有良好的分类效果,较传统算法在分类准确率上提高8%左右。

基于FASGPLVM的人体运动生成

为解决传统逆向运动学算法计算繁琐、效果不逼真的问题,提出一种快速自适应比例高斯过程隐变量模型(FASGPLVM),并基于该模型实现人体运动生成。实验结果表明,FASGPLVM模型具有较快的收敛速度和收敛精度,能自适应运动编辑的方向,扩大运动捕获数据的可编辑幅度。

基于机器学习模型的沙漠腹地地下水含盐量变化过程及模拟研究

为了研究塔克拉玛干沙漠腹地的地下水盐分变化规律,模拟地下水盐分变化过程,评价适合该区域的地下水变化规律的模型。通过对研究区蒸发量、降水量、气温、气压、地下水位、地下水电导率数据的统计分析,揭示了地下水含盐量及其影响因素的特征;使用GP模型、GPLVM模型和BP人工神经网络模型以及综合模型,模拟了气候变化和人类活动双重影响下的地下水含盐量变化过程,并评价了模型的模拟结果。研究结果表明:(1)研究区地下水流动系统主要受气候变化和人类活动的影响,地下水位在局部地区随开采过程呈现波动变化。地下水位变化过程与气压的变化规律相一致;而气温和蒸发量的季节变化规律相一致。地下水盐分含量呈上升趋势。(2)GP模型对于地下水含盐量的预测效果最好;GPLVM模型对于已知地下水含盐量条件下,与其他环境因素进行多元回归分析的拟合效果最好。而GP、GPLVM和BP人工神经网络模型的综合模型,对于包括模型训练和模型预测的全体数据集的拟合和预测效果最好。

基于统计学习的逆向运动学实现方法

基于统计学习的思想,提出一种逆向运动学实现方法。角色动画运动数据维数较高,各维度之间存在相关性,直接对其分析计算复杂度高。该方法基于高斯过程隐变量模型对运动数据降维,将高维运动数据映射到二维隐空间,对隐空间数据进行聚类,寻找样本运动数据的典型姿态,典型姿态张成的子空间保留了样本运动数据的主要特征和规律。结合末端约束,对典型姿态进行加权优化,得到满足末端约束的最佳姿态。实验表明,该方法取得了较好的效果。