视觉传感网络分布式在线数据关联

数据关联是视觉传感网络监控系统的基本问题之一. 本文针对无重叠视域视觉监控网络的多目标跟踪问题提出一种 基于多外观模型的视觉传感网络在线分布式数据关联方法,将同一目标在不同摄像机节点上的外观用不同的高斯模型描述,由分布式推理算法综合利用外观与时空观测计算关联变量的后验概率,同时通过近似最大似然估计算法对各传感节点上的外观模型参数进行在线估计. 实验结果表明了所提方法的有效性.     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

概率图模型推理方法的研究进展

近年来概率图模型已成为不确定性推理的研究热点,在人工智能、机器学习与计算机视觉等领域有广阔的应用前景.根据网络结构与查询问题类型的不同,系统地综述了概率图模型的推理算法.首先讨论了贝叶斯网络与马尔可夫网络中解决概率查询问题的精确推理算法与近似推理算法,其中主要介绍精确推理中的VE算法、递归约束算法和团树算法,以及近似推理中的变分近似推理和抽样近似推理算法,并给出了解决MAP查询问题的常用推理算法;然后分别针对混合网络的连续与混合情况阐述其推理算法,并分析了暂态网络的精确推理、近似推理以及混合情况下的推理;最后指出了概率图模型推理方法未来的研究方向.     

无线传感网络低空干扰下的通信优化模型仿真

准确分析无线传感网络低空干扰程度与通信能力的关系,可以进一步保证网络的安全与稳定,并对通信过程进行优化.无线传感网络在低空干扰下,干扰程度呈现关联无序变化,导致网络通信能力的变化也呈现极强的非线性.传统的关联建模方法对无线传感网络低空干扰下的通信优化建模时,模型受到这种随机变化的冲击,很难正确反映无线传感网络的通信优化效果.提出一种基于数据融合算法的无线传感网络低空干扰下的通信优化模型.模型考虑无线传感网络低空干扰因素的非自由空间描述无线传感网络,获取相应环境下无线传感网络低空干扰程度参数值,通过节点数据适应度运算方法,针对不同的低空干扰程度参数,塑造网络通信所需的适应度函数,修正低空干扰产生的误差,实现优化建模.仿真结果说明,通信优化模型在网络能量消耗、网络延时率和误码率等三个方面的通信优化建模性能都优于传统模型.     

基于规则推理网络的分类模型

为了缓解神经网络的“黑盒子”机制引起的算法可解释性低的问题,基于使用证据推理算法的置信规则库推理方法(以下简称RIMER)提出了一个规则推理网络模型.该模型通过RIMER中的置信规则和推理机制提高网络的可解释性.首先证明了基于证据推理的推理函数是可偏导的,保证了算法的可行性;然后,给出了规则推理网络的网络框架和学习算法,利用RIMER中的推理过程作为规则推理网络的前馈过程,以保证网络的可解释性;使用梯度下降法调整规则库中的参数以建立更合理的置信规则库,为了降低学习复杂度,提出了“伪梯度”的概念;最后,通过分类对比实验,分析了所提算法在精确度和可解释性上的优势.实验结果表明,当训练数据集规模较小时,规则推理网络的表现良好,当训练数据规模扩大时,规则推理网络也能达到令人满意的结果.     

基于推理网络的文本检索模型

在研究现有文本信息检索技术的基础上,设计了基于推理网络的文本检索模型.提出一种改进的推理算法,以实现从文档观察事件到索引词出现事件的推理,使新模型可以更全面地利用文本数据信息.最后通过一个推理网络实例来说明实现推理的数学过程.     

可充电无线传感网络能量均衡路由算法

针对可充电无线传感网络中的能量均衡路由问题,提出在稳定功率无线充电和监测数据收集网络场景下的多路径路由算法和机会路由算法,以实现网络的能量均衡。首先,通过电磁传播理论构建了无线传感节点的充电和接收功率关系模型;然后,考虑网络中无线传感节点的发送能耗和接收能耗,基于上述充电模型将网络能量均衡的路由问题转化为网络节点运行时间的最大最小化问题,通过线性规划得到的各链路流量用以指导路由中数据流量分配;最后,考虑一种更加现实的低功耗的场景,并提出了一种基于机会路由的能量均衡路由算法。实验结果表明,与最短路径路由（SPR）和期望周期最短路由（EDC）算法相比较,所提出的两种路由算法均能有效提高采集能量的利用率和工作周期内的网络生命周期。     

基于d-分隔的Credal推理网络约简算法研究

针对Credal网络推理应用中出现的Credal集顶点组合爆炸等问题,系统地提出了Credal推理网络约简的概念,并利用CredaI网络中变量间的d-分隔特性,通过变量间独立性验证,设计了求解大规模Credal推理网络约简的算法.应用实例表明,该算法简化了目标网络,有效规避了Credal集顶点组合爆炸问题,对特定推理问题具有适用性和可行性,提高了Credal网络推理的效率.     

WSAN多反应节点多传感节点模型的数据传输算法

无线传感反应网络由传感节点和反应节点组成,传感节点将监测到的数据发送到反应节点时,通常采用单反应节点传输模型或多反应节点传输模型.针对最近为提高系统容错能力而提出的一种新的多反应节点多传感节点模型,提出了传感节点发送数据到反应节点的基于组播的新算法.实验证明这种算法可以有效地降低数据传输能耗,从而在提高网络容错能力的同时,改善系统的能量有效性.     

基于粗糙数据推理的TextRank关键词提取算法

基于图模型的TextRank算法是一种有效的关键词提取算法,在提取关键词时可取得较高准确度。但该算法在构造图的关联边时,所采用的共现窗口规则仅考虑了局部词汇间的关联,并具有较大随意性与不确定性。针对这一问题,该文提出了一种基于粗糙数据推理理论的改进TextRank关键词提取算法,粗糙数据推理可扩大关联范围,增加关联数据,得到的结果更加全面。结合粗糙数据推理理论中的关联规则,该文提出的算法做了以下改进: 依据词义对候选关键词进行划分;再通过粗糙数据推理对不同分类中候选词间的关联关系进行推理。实验结果表明,与传统的TextRank算法相比,改进后算法的提取精度有了明显的提高,证明了利用粗糙数据推理的思想能有效地改善算法提取关键词的性能。     

对弧进行删除的Bayes网络近似方法

弧的删除是一种对Bayes网络模型进行近似的方法。文中以Kullback-Leibler偏差作为近似网络和原网络概率分布误差的测度,给出了近似网络在此测度意义下的最优参数。同时,也给出了通过对原网络删除多条弧进行近似的启发式算法,当给定一个误差上界时,可以使用此算法寻找满足误差要求的近似网络。     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

变结构动态贝叶斯网络的机制研究

传统的动态贝叶斯网络(Dynamic Bayesian networks, DBNs)描述的是一个稳态过程,而处理非稳态过程,变结构动态贝叶斯网络更适 用、更灵活、更有效.为了克服现有变结构离散 动态贝叶斯网络推理算法只能处理硬证据的缺陷,本文在深入分析变结构动态贝叶斯网络机制及其特 征的基础上,提出了变结构离散动态贝叶斯网络的 快速推理算法.此外,对变结构动态贝叶斯网络的特例,即数据缺失动态贝叶斯网络进行了定义并构建 了相应的模型.仿真实验验证了变结构离散动态贝 叶斯网络快速推理算法的有效性及计算效率.     

Fuzzy classifications using fuzzy inference networks

In this paper, fuzzy inference models for pattern classifications have been developed and fuzzy inference networks based on these models are proposed. Most of the existing fuzzy rule-based systems have difficulties in deriving inference rules and membership functions directly from training data. Rules and membership functions are obtained from experts. Some approaches use backpropagation (BP) type learning algorithms to learn the parameters of membership functions from training data. However, BP algorithms take a long time to converge and they require an advanced setting of the number of inference rules. The work to determine the number of inference rules demands lots of experiences from the designer. In this paper, self-organizing learning algorithms are proposed for the fuzzy inference networks. In the proposed learning algorithms, the number of inference rules and the membership functions in the inference rules will be automatically determined during the training procedure. The learning speed is fast. The proposed fuzzy inference network (FIN) classifiers possess both the structure and the learning ability of neural networks, and the fuzzy classification ability of fuzzy algorithms. Simulation results on fuzzy classification of two-dimensional data are presented and compared with those of the fuzzy ARTMAP. The proposed fuzzy inference networks perform better than the fuzzy ARTMAP and need less training samples.     

Information networks fusion based on multi-task coordination

Information networks provide a powerful representation of entities and the relationships between them. Information networks fusion is a technique for information fusion that jointly reasons about entities, links and relations in the presence of various sources. However, existing methods for information networks fusion tend to rely on a single task which might not get enough evidence for reasoning. In order to solve this issue, in this paper, we present a novel model called MC-INFM (information networks fusion model based on multi-task coordination). Different from traditional models, MC-INFM casts the fusion problem as a probabilistic inference problem, and collectively performs multiple tasks (including entity resolution, link prediction and relation matching) to infer the final result of fusion. First, we define the intra-features and the inter-features respectively and model them as factor graphs, which can provide abundant evidence to infer. Then, we use conditional random field (CRF) to learn the weight of each feature and infer the results of these tasks simultaneously by performing the maximum probabilistic inference. Experiments demonstrate the effectiveness of our proposed model.     

An Introduction to Variational Methods for Graphical Models

This paper presents a tutorial introduction to the use of variational methods for inference and learning in graphical models (Bayesian networks and Markov random fields). We present a number of examples of graphical models, including the QMR-DT database, the sigmoid belief network, the Boltzmann machine, and several variants of hidden Markov models, in which it is infeasible to run exact inference algorithms. We then introduce variational methods, which exploit laws of large numbers to transform the original graphical model into a simplified graphical model in which inference is efficient. Inference in the simpified model provides bounds on probabilities of interest in the original model. We describe a general framework for generating variational transformations based on convex duality. Finally we return to the examples and demonstrate how variational algorithms can be formulated in each case.     

On redundant coverage maximization in wireless visual sensor networks: Evolutionary algorithms for multi-objective optimization

Wireless visual sensor networks can provide valuable information for a variety of monitoring and control applications. Frequently, a set of targets must be covered by visual sensors, as such visual sensing redundancy is a desired condition specially when applications have availability requirements for multiple coverage perspectives. If visual sensors become rotatable, their sensing orientations can be adjusted to optimize coverage and redundancy, bringing different challenges as there may be different coverage optimization objectives. Actually, the specific issue of redundant coverage maximization is inherently a multi-objective problem, but usual approaches are not designed accordingly to compute visual sensing redundancy. This article proposes two different evolutionary algorithms that exploit the multi-objective nature of the redundant coverage maximization problem: a lexicographic ”a priori” algorithm and a NSGA-II ”a posteriori” algorithm. The performance of both algorithms are compared, using a previously proposed single-objective greedy-based algorithm as a reference. Numerical results outline the benefits of employing evolutionary algorithms for adjustments of sensors’ orientations, potentially benefiting deployment and management of wireless visual sensor networks for different monitoring scenarios.     

基于评分函数的贝叶斯网络结构融合算法

利用贝叶斯网络进行因果关系推理已广泛应用于人工智能领域。基于约束方法从观测数据中构建贝叶斯网络通常得到的是其马尔科夫等价类，因存在无向边而无法进行有效的因果推断。为此，基于贝叶斯网络评分函数，并结合集成学习提出了一种模型融合算法，通过对不同的网络结构加权融合，以减少网络中无向边的个数，进而提高其可推断性。实验结果表明，不仅显著减少了无向边条数，也提高了最终网络结构的学习效果，验证了算法的有效性。