导读:本文包含了贝叶斯学习理论论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:稀疏,算法,多普勒,序列,斯理,水声,学习理论。
贝叶斯学习理论论文文献综述
张凯茜[1]（2019）在《基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究》一文中研究指出贝叶斯网络是处理不确定性问题的有效方法之一,其具有内在严密的概率推理和直观的图形化表示等特点,被广泛应用于人工智能和机器学习等领域。在当今数据大爆炸时代,传统的依靠专家知识构建贝叶斯网络结构的方法已不能满足快速精准学习的需求。如何从数据中有效地学习贝叶斯网络结构引起众多专家学者的研究兴趣。使用爬山搜索策略的K2算法作为一种经典的贝叶斯网络结构学习算法,已经得到广泛的应用。但K2算法对变量序列和最大父节点数具有强烈的依赖性,不同的最大父节点数对贝叶斯网络的学习效果差别不显着,而不同的变量序列会极大地影响贝叶斯网络的学习效率,因此如何寻找较优的变量序列有着重要的研究价值。本文以构建K2算法中变量序列的评价函数为研究目标,首先基于广度优先搜索的Kahn算法和深度优先搜索的Tarjan算法,对标准网络结构进行图的遍历以得到较优的变量序列,分析各序列的K2-CH评分和互信息评分的属性,寻找较优序列的共性,在此基础上提出新的变量序列的评价函数,然后以此评分函数作为新的适应度函数,在变量构成的空间内,以遗传搜索来寻找较优的变量序列,我们称此算法为Chain-KMGA算法。实验结果表明,通过Chain-KMGA算法学习到的贝叶斯网络的结构较优,具体表现在网络的评分值较高,且可以学习到更多的正确边和较少的错误边,同时ChainKMGA算法的运行时间较少,该算法具有较高的学习效率,其所学习到的贝叶斯网络评分值与变量序列评分值具有较强的正相关性,即随着变量序列评分值的增加,贝叶斯网络的评分值也在对应的增加,因此Chain-KMGA算法能够搜索到较优变量序列,Chain-KMGA算法构建的贝叶斯网络具有较高的学习效率。(本文来源于《西北农林科技大学》期刊2019-05-01）
刘天娇[2]（2018）在《稀疏贝叶斯学习理论及其在水声阵列信号处理中的应用》一文中研究指出本文以稀疏重构和水声阵列信号处理为核心,以信号稀疏为前提,以高精度波达方向(Direction of Arrival,DOA)估计为目的,研究稀疏重构算法。本文基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)理论,仿真研究算法对水声窄带声压信号,水声宽带声压信号和水声宽带矢量信号的处理性能。在低信噪比(signal-to-noise ratio,SNR),少量信号样本条件下,在处理水声信号时,SBL算法显现出优于常规波束形成(Conventional Beam-forming,CBF)算法和经典的压缩感知稀疏重构算法的性能,因此,本文展开以下研究。首先,重点介绍SBL理论,并介绍_1l范数正则化方法和SBL算法。通过仿真考察各算法在收敛性,计算效率和角度估计精度的性能。仿真结果表明,SBL算法相对M-SBL算法收敛性能更好。相比于_1l范数正则化方法,SBL算法有较高的抗噪声能力,更好的运算效率。随后,研究算法在水声阵列信号处理的应用,分析SBL算法和_1l范数正则化方法对声压信号和矢量信号的DOA估计性能。通过仿真实验对比CBF算法和SBL算法对矢量信号估计精度。仿真分析算法对窄带声压信号,窄带相干信号,宽带声压信号和矢量信号的DOA估计性能。研究SNR和快拍数对CBF算法和稀疏重构算法的DOA估计精度和计算效率的影响。仿真结果表明,在低信噪比和小快拍下,相比于CBF算法和_1l范数正则化方法,SBL算法能够对信号进行有效的DOA估计。最后,对真实水声环境下的外场水下试验数据和水池声呐成像试验数据进行处理,考察算法性能。对宽带矢量信号处理的结果展示了在相同的快拍数下,SBL算法可以以更高的精度估计出试验数据的来波方向。真实的试验数据处理的结果表明,SBL算法更加有利于处理实时的信号。对水池的声呐成像数据进行处理,结果表明,相比于CBF算法,SBL算法可以通过成像结果清楚的分辨出铁杆成像,可以有效分辨出铁杆本身和水面和池壁散射回波,SBL算法估计的结果是稀疏的,可通过试验处理结果直接判断出铁杆位置。(本文来源于《哈尔滨工程大学》期刊2018-12-28）
李国洋[3]（2018）在《基于互信息的变量序列模型在贝叶斯网络学习中的理论研究》一文中研究指出贝叶斯网络现已成为人工智能领域研究的热点,它是概率理论和图论相结合的产物。在贝叶斯网络研究中,结构学习是贝叶斯网络学习方法的一个重要分支,而在结构学习方法中,K2算法则是贝叶斯网络结构学习方法中一个重要方法。该算法是一种典型的搜索与评价算法,也是目前使用最为广泛的一种算法。近年来,随着智能优化计算的不断发展,以该算法为基础的多种扩展算法相继产生,但由于K2算法对变量序列的依赖性,导致此算法的收敛性及优化效果具有很大的偶然性。所以本研究提出是否能在最初变量序列选择时将互信息作为变量序列的选择条件加入,以便可以选择出评分值更高的变量序列来提升构建贝叶斯网络的效率,即基于互信息的K2序列选择算法。假设任意一个变量序列都可看做是一种直线型的BN网络,那么,该直线型网络各变量间的因果关系与相关关系越强烈,越能准确反映出节点间的序列关系。各变量间的因果关系可通过BN网络评价函数来度量,相关关系可通过节点间的互信息来度量,因此构建一个基于BN网络评价函数与互信息的新的评价函数,作为衡量变量节点序列优劣的评价函数。对于以上假设,本研究提出了一种新的变量序列评分函数,将互信息作为一个新的条件约束,并且加入了a,b两个权重参数,在原始算法的基础上,调整变量序列的评分值和互信息之间的比重,并寻找评分值更高、结构更优的变量序列。该方法的提出,有利于解决大数据条件下贝叶斯网络构建的准确性,为运用贝叶斯网络进行数据分类、推断及预测等数据挖掘过程提供理论支撑和保证。研究结果表明序列评分值的大小和贝叶斯网络评分值的高低具有一定的正相关性,随着序列评分值的增大,所构建的贝叶斯网络评分值也在相应的增加,因此新的改进算法对于构建贝叶斯网络的结构具有优化效果。同时基于互信息的K2序列选择算法所选择出的序列,在一定程度上,尤其是在数据集较大的情况下,比原来K2算法所构建的贝叶斯网络具有更好的结构,并且提升了构建贝叶斯网络的效率。(本文来源于《西北农林科技大学》期刊2018-05-01）
李念[4]（2016）在《基于贝叶斯理论的增量学习方法研究》一文中研究指出传统文本分类器的训练需要大量已标注类别的语料集,而这些语料集是通过基于知识工程的手工分类得到的,效率低下。增量学习技术通过对未标注类别语料集的学习来增强分类器的知识储备,用以解决训练语料集未标注、语料集难以大批量获得和内存限制等一些不利因素。朴素贝叶斯由于计算高效、分类精度高,且能充分利用先验知识和样本信息,使其成为增量学习的自然选择。在0-1分类损失的基础上,通过序列选择来遴选完备数据加入到原始语料集,但存在如下问题:(1)新增语料集规模过大时,通过分类损失筛选完备数据加入到原始语料集中,每次迭代需寻出最优个体,极大地弱化增量学习效率;(2)分类器形成初期,知识储备不足,对分类错误的噪声文本进行增量学习很容易导致分类器性能急剧恶化。针对上述问题,本文提出一种动态置信度的序列选择增量学习算法,在前人工作的基础,做了如下优化和改进:(1)将计数型Bloom Filter引进到词频的增量统计与降维,改善分类器初期的分类性能,另外计数型Bloom Filter在一定程度上解决内存的限制,增加一次增量学习文本的数量,提升完备数据的概率;(2)设置动态置信度阈值窗口,在分类初期,分类器知识储备不完备,调高置信度阈值,提高完备数据加入原始分类器的几率;在分类后期,放宽置信度阈值,加快增量学习效率,有效兼顾增量学习样本数据的完备性和增量学习的高效性;(3)序列选择,选择类别偏向度较高的文档,即完备数据。(本文来源于《武汉邮电科学研究院》期刊2016-01-01）
丁鹭飞[5]（2015）在《稀疏贝叶斯学习理论在水声通信多普勒估计中的应用研究》一文中研究指出在高速水声通信中,当信号经过水声稀疏信道后,通常会因为多径效应、时间延迟衰落、频率选择性衰落等问题导致信号发生畸变。同时在移动通信系统中,接收端和发送端有一定的相对移动速度,这将导致多普勒效应的产生。多普勒效应在信号上表现为信号的扩展,使信号在传输过程中产生畸变,导致在对接收信号进行处理时并不能得到正确的信息。所以在移动水声通信中,正确的实现多普勒因子的估计以方便后续的补偿处理是十分必要的。由于水声信道的内在稀疏性,近年来研究大热的压缩感知原理也可以用在对水声信号的处理上,所以本文中我们将水声多普勒估计问题转化为对水声信号的处理问题,利用该理论指导研究。重构算法上我们选择稀疏贝叶斯学习理论,其不需要参数控制而只需要算法内部自行迭代删除无用的训练样本与核函数这一特性完美契合了水声信道中稀疏度无法确定的特点。所以本文以基于稀疏贝叶斯学习理论的水声信号处理为研究方向对水声多普勒估计进行研究。本文先简要介绍了水声OFDM等相关技术,并根据水声信道具有内在稀疏性的特点提出了新的水声OFDM多普勒估计算法。该方法利用SBL算法对梳状导频经过水声信道后的接收信号进行重构,然后算得信道冲击相应,然后结合自相关函数原理利用信道冲击相应求得水声OFDM多普勒频移。仿真分析显示在与传统多普勒估计方法的对比中,该方法具有更高的估计精度及研究深度。随后,我们分析了现在水声通信网络中主要研究的MIMO-OFDM系统,并针对该系统提出了新的多普勒估计方案。在该系统中需要考虑多发收水声信道变化的稀疏性对多普勒因子估计的影响,即发送端信号经过水声稀疏信道后,只有少部分信号通过水声信道到达接收端被水听器接收处理,并且可能出现不同的频偏与延迟。针对这种形式,通过设计出联合导频的同步码并且充分利用同步码信号的特点,利用稀疏贝叶斯理论对系统传输过程中出现的不同多普勒因子进行精确估计。仿真表明,利用该算法进行MIMO-OFDM多普勒估计不仅能够估计出信号经过不同子信道产生的多普勒,且其具有一定的抗噪能力。(本文来源于《江苏科技大学》期刊2015-12-24）
刘本源[6]（2015）在《快速块稀疏贝叶斯学习算法的理论与应用》一文中研究指出块稀疏性是自然界和信息空间中一种典型的结构化稀疏形式,普遍存在于雷达成像、图像处理、生物医学等应用领域。与点稀疏模型相比,块稀疏表示能够有效挖掘物理信号的结构和空间分布信息,从而显着的改善稀疏重构算法的性能。当前,基于块稀疏表示的贝叶斯学习算法已成为压缩感知领域的一个重要研究方向。但目前的研究多侧重于块结构信息的表示方法,相应的算法在处理大规模稀疏重构问题和实时应用中尚存在算法复杂度高、计算效率低等问题。本文将围绕块稀疏贝叶斯学习问题,以挖掘信号相关性和提高计算效率为目的,结合源定位、生理信号压缩等应用,研究单观测矢量、多观测矢量、空时相关模型以及量化压缩模型下的快速重构算法,并通过应用实例来评估块稀疏贝叶斯学习和量化压缩算法的工程应用前景。主要研究工作有:1.提出了单观测矢量模型下的快速块稀疏贝叶斯学习算法BSBL-FM。BSBLFM算法采用快速边缘似然最大化(FMLM)方法优化BSBL算法,并可利用块内相关性结构信息提升算法的重构性能。仿真实验结果表明,BSBL-FM算法具有与传统BSBL算法相近的重构性能,但计算效率可提升近6倍。同时,本文将BSBL-FM算法推广到块稀疏复信号的重构。在针对块稀疏复信号的仿真实验中,BSBL-FM算法不仅在重构性能上超越传统BSBL算法,同时在计算效率上得到近110倍的提升。2.提出了多观测矢量模型下的时域相关快速贝叶斯学习算法TSBL-FM以及空时块稀疏快速贝叶斯学习算法STSBL-FM。TSBL-FM算法和STSBL-FM算法可分别利用信号的时域相关特性和空时块稀疏结构提升算法的重构性能和计算效率。在源定位及多通道生理数据压缩实验中,TSBL-FM和STSBL-FM算法具备与传统贝叶斯学习算法近似的重构性能,但计算效率比同类型贝叶斯学习算法分别提高约27倍及24倍。同时,TSBL-FM和STSBL-FM算法无需计算大型矩阵的逆,运算中耗费极少的存储资源,适于硬件实现。3.提出了量化压缩感知模型下的贝叶斯学习算法BDQ,并将量化压缩感知用于低功耗无线数据压缩。基于压缩感知中的量化模型,提出可利用信号相关性结构和量化误差先验信息的贝叶斯重构算法BDQ。在此基础上,提出一种基于量化压缩感知的低功耗数据压缩方法。针对无线心率监测的试验结果表明,BDQ算法可在2比特量化下稳健的重构生理信号,其重构信噪比(RSNR)相比于现有量化重构算法改善3d B。同时,量化压缩感知数据压缩方法可将长度为N的生理信号压缩为N比特数据,极大的降低无线可穿戴系统的功耗和数据传输带宽。4.系统的评估了压缩感知数据压缩方法的实用性,在FPGA上验证了压缩感知数据压缩方法的低功耗特性。首先,针对医学信号处理中的FECG和EEG无线监测等应用,基于实测数据系统的分析了压缩感知数据压缩方法中不同感知矩阵、不同压缩比及不同稀疏重构算法的重构性能和应用指标,验证了压缩感知数据压缩方法的实用性。最后,在FPGA平台上实现了压缩感知数据压缩和基于小波变换的压缩算法,证明了压缩感知数据压缩方法具备在线实时压缩、低资源消耗、低功耗的特性。(本文来源于《国防科学技术大学》期刊2015-04-01）
杨智,李金寿,董华玉[7]（2014）在《基于贝叶斯理论的自学习模糊综合评判研究》一文中研究指出在目前多专家故障诊断系统采用的模糊综合评判方法基础上,根据某特定故障的理论诊断结果及实际检测、维修结果,利用贝叶斯理论,对特定故障下各专家的初始权重集进行实时更新,实现了模糊综合评判的自学习,提高了诊断的准确性.最后给出了方法在"康明斯柴油机故障诊断专家系统"中的应用实例,验证了方法的有效性.(本文来源于《军械工程学院学报》期刊2014年01期）
张成成,印兴耀,王保丽[8]（2013）在《基于贝叶斯学习理论的迭前反演》一文中研究指出1.引言随着勘探开发的深入,贝叶斯理论被广泛的应用于地球物理反演领域中,贝叶斯方法将各种地球物理数据加入先验信息从而对反演过程进行有效的约束,使反演结果在有效信息约束范围内,提高病态反演问题稳定性及反演结果的可靠性。贝叶斯学习理论与贝叶斯理论不同,在得到后验概率信息的同时并(本文来源于《中国地球物理2013——第十九专题论文集》期刊2013-10-13）
戴花,王建平[9]（2012）在《基于贝叶斯理论和统计学习的视觉显着性检测》一文中研究指出图像处理技术依赖于高质量的视觉显着图才能获得较好的处理结果,现有的视觉显着性检测方法通常只能检测得到粗糙的视觉显着性属性图,严重影响了图像处理的最终效果。为此,提出一种采用贝叶斯理论和统计学习的视觉显着性检测方法来检测图像的视觉显着性属性。该方法基于贝叶斯理论的静态图像的自上而下的显着性和整体显着性,将自上而下的知识和由下向上的显着性进行结合;针对特征整合问题,利用线性模型的加权线性组合方法和正规化神经网络相结合的非线性加权方法来研究与所有因素相关的权值参数。根据自下而上的视觉显着性模型在两个标准数据集中采用ROC曲线来进行定量评价,结果表明非线性组合效果优于线性组合。(本文来源于《计算机应用》期刊2012年08期）
王晶[10]（2012）在《稀疏贝叶斯学习理论及应用研究》一文中研究指出近年来,稀疏贝叶斯学习方法成为机器学习中的一个研究热点,它能够充分挖掘和利用数据的先验信息,假设先验信息的概率分布情况,对要解决的问题进行合理的数学建模,来实现低维模型的学习。由于挖掘了数据的先验信息,因此能够利用数据自身的特性对信号和图像实现最优的稀疏表示。稀疏贝叶斯学习的关键难点在于：模型的选取和先验知识的假设。在研究稀疏贝叶斯学习理论的基础上,本文深入探讨了在不同概率模型下的信号和图像稀疏建模与学习方法,主要在如下几个方面开展了工作：(1)提出一种基于快速贝叶斯匹配追踪算法(Fast Bayesian Matching pursuit,FBMP)的稀疏学习机构造方法。FBMP算法加入了稀疏系数服从混合高斯分布的假设,比传统的贪婪匹配追踪算法的性能有了显着提高。本文在分析FBMP算法性能的基础上,将该算法用于学习机的结构稀疏化,提出一种基于FBMP的稀疏学习机方法。在压缩感知框架下,进一步通过压缩采样技术得到结构更加精简的网络模型。将该方法用于双螺旋线数据的分类,实验结果显示：该方法能够得到性能优良的学习模型,相比其他优化算法得到的学习机具有更好的性能。(2)实现了一种基于l1正则化的稀疏贝叶斯学习算法,在贝叶斯准则下给出一种正则参数的学习方法。在稀疏贝叶斯学习中,假设稀疏系数服从Laplace分布,引入了均匀正则化和独立正则化的思想,建立了l1范数正则的稀疏贝叶斯学习模型,研究了正则化参数的确定方法。针对一般最小二乘(Ordinary Least Square,OLS)和非负最小二乘(Nonnegative Least Square,NLS)两种情况,提出在贝叶斯准则下正则参数的学习算法,仿真实验验证了其有效性。(3)实现了图像稀疏表示的非参数稀疏贝叶斯学习,给出了在Dirichlet过程和Beta过程两种分布下的非参数贝叶斯混合因子模型。对能够被约束在低维子空间中高维图像数据进行低秩混合高斯模型的学习,该模型从给定的数据集中自动学习得到混合元素的个数和因子个数,将其作为数据的先验知识用于图像的压缩感知重建中,仿真实验分析了其有效性。本文的工作得到了国家自然科学基金(61072108,60601029,60971112,61173090),教育部新世纪优秀人才支持计划(NCET-10-0668),高等学校学科创新引智计划(111计划)：No.B0704和中央高校基本科研业务费(JY10000902041)的资助。(本文来源于《西安电子科技大学》期刊2012-03-01）
贝叶斯学习理论论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文以稀疏重构和水声阵列信号处理为核心,以信号稀疏为前提,以高精度波达方向(Direction of Arrival,DOA)估计为目的,研究稀疏重构算法。本文基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)理论,仿真研究算法对水声窄带声压信号,水声宽带声压信号和水声宽带矢量信号的处理性能。在低信噪比(signal-to-noise ratio,SNR),少量信号样本条件下,在处理水声信号时,SBL算法显现出优于常规波束形成(Conventional Beam-forming,CBF)算法和经典的压缩感知稀疏重构算法的性能,因此,本文展开以下研究。首先,重点介绍SBL理论,并介绍_1l范数正则化方法和SBL算法。通过仿真考察各算法在收敛性,计算效率和角度估计精度的性能。仿真结果表明,SBL算法相对M-SBL算法收敛性能更好。相比于_1l范数正则化方法,SBL算法有较高的抗噪声能力,更好的运算效率。随后,研究算法在水声阵列信号处理的应用,分析SBL算法和_1l范数正则化方法对声压信号和矢量信号的DOA估计性能。通过仿真实验对比CBF算法和SBL算法对矢量信号估计精度。仿真分析算法对窄带声压信号,窄带相干信号,宽带声压信号和矢量信号的DOA估计性能。研究SNR和快拍数对CBF算法和稀疏重构算法的DOA估计精度和计算效率的影响。仿真结果表明,在低信噪比和小快拍下,相比于CBF算法和_1l范数正则化方法,SBL算法能够对信号进行有效的DOA估计。最后,对真实水声环境下的外场水下试验数据和水池声呐成像试验数据进行处理,考察算法性能。对宽带矢量信号处理的结果展示了在相同的快拍数下,SBL算法可以以更高的精度估计出试验数据的来波方向。真实的试验数据处理的结果表明,SBL算法更加有利于处理实时的信号。对水池的声呐成像数据进行处理,结果表明,相比于CBF算法,SBL算法可以通过成像结果清楚的分辨出铁杆成像,可以有效分辨出铁杆本身和水面和池壁散射回波,SBL算法估计的结果是稀疏的,可通过试验处理结果直接判断出铁杆位置。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯学习理论论文参考文献
[1].张凯茜.基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究[D].西北农林科技大学.2019
[2].刘天娇.稀疏贝叶斯学习理论及其在水声阵列信号处理中的应用[D].哈尔滨工程大学.2018
[3].李国洋.基于互信息的变量序列模型在贝叶斯网络学习中的理论研究[D].西北农林科技大学.2018
[4].李念.基于贝叶斯理论的增量学习方法研究[D].武汉邮电科学研究院.2016
[5].丁鹭飞.稀疏贝叶斯学习理论在水声通信多普勒估计中的应用研究[D].江苏科技大学.2015
[6].刘本源.快速块稀疏贝叶斯学习算法的理论与应用[D].国防科学技术大学.2015
[7].杨智,李金寿,董华玉.基于贝叶斯理论的自学习模糊综合评判研究[J].军械工程学院学报.2014
[8].张成成,印兴耀,王保丽.基于贝叶斯学习理论的迭前反演[C].中国地球物理2013——第十九专题论文集.2013
[9].戴花,王建平.基于贝叶斯理论和统计学习的视觉显着性检测[J].计算机应用.2012
[10].王晶.稀疏贝叶斯学习理论及应用研究[D].西安电子科技大学.2012
论文知识图
