一种基于高斯混合模型的不均衡分类方法

为应对不均衡分类问题,提高分类准确率,提出了一种基于高斯混合模型的混合采样集成方法GMHSE(Gaussian-Mixture-model-based Hybrid Sampling Ensemble method),首先通过高斯混合模型将数据划分成多个类簇,然后在每个类簇上混合采样获得多个数据子集,最后基于Baggi...     

面向不均衡数据的融合谱聚类的自适应过采样法

分类是模式识别领域中的研究热点,大多数经典的分类器往往默认数据集是分布均衡的,而现实中的数据集往往存在类别不均衡问题,即属于正常/多数类别的数据的数量与属于异常/少数类数据的数量之间的差异很大。若不对数据进行处理往往会导致分类器忽略少数类、偏向多数类,使得分类结果恶化。针对数据的不均衡分布问题,本文提出一种融合谱聚类的综合采样算法。首先采用谱聚类方法对不均衡数据集的少数类样本的分布信息进行分析,再基于分布信息对少数类样本进行过采样,获得相对均衡的样本,用于分类模型训练。在多个不均衡数据集上进行了大量实验,结果表明,所提方法能有效解决数据的不均衡问题,使得分类器对于少数类样本的分类精度得到提升。     

基于变分贝叶斯高斯混合噪声模型的机器人跨模态生成对抗网络

多模态融合对于机械手充分感知外界环境至关重要,单一模态信息会限制机械手对物体的识别、抓取能力,而传统的跨模态数据生成方法生成的图像效果较差,导致多模态融合效果并不理想.为了解决跨模态生成的图像效果差和多模态融合的数据缺乏等问题,本文提出变分贝叶斯高斯混合条件生成对抗网络(BGM-CGAN)的跨模态多样性噪声数据生成式方...     

基于改进高斯混合模型的自适应前景提取

在复杂场景下的运动前景提取是智能视频监控的基础部分。高斯混合模型是常用的背景建模方法,针对高斯混合模型中模型个数固化导致的无谓的系统开销,提出基于单高斯模型成长的动态个数调整形成的高斯混合模型。对模型的更新率根据场景变化的剧烈程度进行实时改变,能较好适应突发场景、光照的变化。对提取的运动前景进行形态学处理,得到最后的提取目标。实验结果表明,该方法背景建模适应性强,提取前景精度有所提升。     

二值probit回归模型的坍缩变分贝叶斯推断算法

给出了二值probit回归模型的坍缩变分贝叶斯推断算法.此算法比变分贝叶斯推断算法能更逼近对数边缘似然,得到更精确的模型参数后验期望值.如果两个算法得到的分类错误一致,则该算法的迭代次数较变分法明显减少.仿真实验结果验证了所提出算法的有效性.     

基于混合高斯模型的目标差分自适应背景模型

提出一种自适应背景更新率的方法。在混合高斯背景模型基础上。通过混合高斯匹配将前后两帧分割出的运动目标作差分。差分后再次采用混合高斯匹配分辨出过去目标区和当前目标区。在背景更新的过程中,加大过去目标区的更新率,让运动目标在出现停滞状态时给背景模型带来的干扰区域得到快速恢复。试验结果表明,该方法有效地提高背景模型的鲁棒性。     

基于局部变分贝叶斯推断的分布式交互式多模型估计

针对目前部分多模型算法预先设定运动模型转移概率矩阵对状态估计精度的不利影响,本文提出了一种基于局部变分贝叶斯推断的分布式交互式多模型估计算法.不同于传统交互式多模型估计中运动模型转移概率矩阵为先验已知的假设条件,在分布融合估计框架下,首先基于最小化Kullback-Leibler散度准则的递归优化策略实现对运动模型转移概率矩阵的预测与更新;在此基础上,结合变分贝叶斯推断实现对当前时刻目标状态与模型概率的联合估计;最后依据协方差交叉融合策略完成对局部状态估计融合.仿真结果表明:新算法通过对运动模型转移概率矩阵以及模型概率自适应在线估计,有效提升了机动目标的状态估计精度.     

基于变分贝叶斯推断的字典学习算法

传统的字典学习算法在对训练图像进行学习时收敛速率慢,当图像受到噪声干扰时学习效果变差.对此,提出一种基于变分推断的字典学习算法.首先设定模型中各参数的共轭稀疏先验分布;然后基于贝叶斯网络求出所有参数的联合概率密度函数;最后利用变分贝叶斯推断原理计算出各参数的最优边缘分布,训练出自适应学习字典.利用该字典进行图像去噪实验以及压缩感知重构实验,仿真结果表明,所提出的算法可显著提高字典学习效率,对测试图像的去噪效果和重构精度有很大改善.     

不确定环境下移动对象自适应轨迹预测方法

已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model, VGMM)的环境自适应轨迹预测方法ESATP(environment self-adaptive prediction method based on VGMM).首先,在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数,有效运用参数先验信息得到更高精度预测模型;最后,针对输入轨迹数据特征,使用参数自适应选择算法自动调节参数组合,灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明：所提方法在实验中表现出较高的预测准确性,可应用于车辆移动定位产品中.     

基于聚类簇结构特性的自适应综合采样法在入侵检测中的应用

基于机器学习的网络入侵检测方法将恶意网络行为(入侵)检测转化为模式识别(分类)问题,因其适应性强、灵敏度高等优点,受到国内外广泛关注.然而,现有的模式分类器往往假设数据集的分布是均衡的,而真实的网络环境中,入侵行为要远少于正常访问,这给网络入侵行为检测带来巨大挑战.因此,提出一种基于聚类簇结构特性的综合采样法(CSbA...     

基于混合变分自编码器回归模型的软测量建模方法EI北大核心CSCD

近年来,变分自编码器(Variational auto-encoder,VAE)模型由于在概率数据描述和特征提取能力等方面的优越性,受到了学术界和工业界的广泛关注,并被引入到工业过程监测、诊断和软测量建模等应用中.然而,传统基于VAE的软测量方法使用高斯分布作为潜在变量的分布,限制了其对复杂工业过程数据,尤其是多模态数据的建模能力.为了解决这一问题,本论文提出了一种混合变分自编码器回归模型(Mixture variational autoencoder regression,MVAER),并将其应用于复杂多模态工业过程的软测量建模.具体来说,该方法采用高斯混合模型来描述VAE的潜在变量分布,通过非线性映射将复杂多模态数据映射到潜在空间,学习各模态下的潜在变量,获取原始数据的有效特征表示.同时,建立潜在特征表示与关键质量变量之间的回归模型,实现软测量应用.通过一个数值例子和一个实际工业案例,对所提模型的性能进行了评估,验证了该模型的有效性和优越性.     

混合变分自编码

变分自编码(variational autoencoder, VAE)是一种基于连续隐向量的生成模型,通过变分近似构建目标函数,其中的生成模型及变分推理模型均采用神经网络结构.传统变分自编码模型中的变分识别模型假设多维隐变量之间是相互独立的,这种假设简化了推理过程,但是这使得变分下界过于松弛,同时限制了隐向量空间的表示能力.提出混合变分自编码(mixture of variational autoencoder, MVAE)模型,它通过多个变分自编码组件生成样本数据,丰富了变分识别模型结构,同时扩展了隐向量表示空间.该模型以连续型隐向量作为模型的隐层表示,其先验分布为高斯分布;以离散型隐向量作为各组件的指示向量,其先验分布为多项式分布.对于MVAE模型的变分优化目标,采用重参策略和折棍参数化策略处理目标函数,并用随机梯度下降方法求解模型参数.MVAE采用混合组件的方法可以增强隐变量空间的表示能力,提高近似推理精度,重参策略和折棍参数化策略可以有效求解对应的优化问题.最后在MNIST和OMNIGLOT数据集上设计了对比实验,验证了MVAE模型较高的推理精度及较强的隐变量空间表示能力.     

基于正常纹理的木材表面缺陷检测算法*

针对木材表面缺陷种类繁多、缺陷特征各异的问题,提出一种基于高斯混合模型参数自适应的木材表面缺陷检测算法,仅需要对木材表面无缺陷区域提取特征并通过构建算法检测模型即可完成表面缺陷识别。为进一步提高算法智能性,针对训练样本大小和数量如何选择的问题,提出了一种基于正常纹理特征的参数自适应训练样本选择算法。最终通过自适应算法选择训练样本并基于高斯混合模型实现对木材表面缺陷的定位。实验结果表明,所提算法能同时实现对木材表面多种缺陷的检测,提高了木材表面缺陷的检测精确度和准确率,具有一定的应用价值。     

基于概率图模型的点集匹配方法研究

在概率图模型框架下提出了一种将回归分析和聚类分析相结合的贝叶斯点集匹配方法,其中,回归分析用来估计两个点集之间的映射函数,而聚类分析用来建立两个点集中点与点之间的对应关系.本文将点集匹配问题表示为一种多层的概率有向图,并提出了一种由粗到精的变分逼近算法来估计点集匹配的不确定性;此外,还利用高斯混合模型估计映射函数回归中的异方差噪声和场景点密度估计中离群点的分布;同时,引入转移变量建立起模型点集与场景点集之间的关系,并与离群点混合模型共同对场景点的分布进行估计.实验结果表明,该方法与其他点集匹配算法相比,在鲁棒性和匹配精度方面均达到了较好的效果.     

一种基于概率密度的数据流聚类算法

数据流具有数据量无限且流速快等特点,使得传统的聚类算法不能直接应用于数据流聚类问题。针对该问题,提出了一种基于概率密度的数据流聚类算法。此方法不需要存储全部的历史数据,只需要存储新到达的数据并对其应用EM算法,利用高斯混合模型增量式地更新概率密度函数。实验表明,该算法对于解决数据流聚类问题非常有效。     

基于自适应高斯混合模型的软件测试用例集约简算法研究

为了最大化的找出软件测试用例集中的相似用例,实现对用例的最优精简,提出了一种自适应的高斯混合模型;提出的模型使用K-means初始化EM,自适应地确定聚类簇数目,在此过程中能够评判聚类结果,同时给出式高斯混合模型的所有参数,这些参数作为各个聚类簇进行新一轮迭代计算的参数,最终得到的结果更趋于最优解;实验结果表明,相对现有的高斯混合模型和模糊K-Means聚类模型等算法,文章提出的自适应高斯混合模型算法能够最小化软件测试用例集,约简后的用例所覆盖的范围相对更广,测试出的软件错误率较高,对软件测试用例集多变的适应性好。