导读:本文包含了贝叶斯学习模型论文开题报告文献综述及选题提纲参考文献，主要关键词:层级狄利克雷过程隐性马尔科夫模型,机器人多模态感知,异常监测和分类,异常修复
贝叶斯学习模型论文文献综述
吴鸿敏[1]（2019）在《非参数化贝叶斯模型的机器人多模态感知与学习》一文中研究指出机器人与人共处、相互协作成为现代生产和生活中的迫切诉求,“人机共融”和“人机协作”的概念自然而生,至今已有多年。与人共享智能、具有共同行为、协作完成共同任务(智能共融、行为共融和任务共融)是其基本特征和要素,已成为国内外学术界的共识。人机共融的前提条件是人-机和平共处,即“安全共融”。虽然目前已有许多稳定和鲁棒的机器人控制算法,但是人机共融作业处于非结构化和非标准化的动态环境中,无法对其进行完备和准确地建模与解析,存在着系统的内部误差或者外部的异常,如人为碰撞、物体滑落和工具碰撞等。为了赋予机器人更长期的自治和更安全的人机共融环境,机器人必须进行实时多模态信息的融合建模,进而实现自身运动行为的精准感知(Introspection)和异常修复策略的学习。因此,本文对机器人多模态感知与学习进行系统深入的理论研究和实践探索,主要研究内容和取得的成果如下:(1)针对学习与泛化机器人复杂任务的问题,以机器人示范学习的理论为背景,提出了结合动态运动基元(Dynamical Movement Primitive,DMP)和有限状态机(Finite State Machine,FSM)把机器人的复杂操作任务分割成序列化的运动基元,即参数化的有向图描述形式,以提高操作任务的适应性与多样性。(2)针对多模态融合的问题,本文将此问题抽象为如何有效地建立与解析多维时间序列的概率模型,以隐性马尔科夫模型(Hidden Markov Model,HMM)为理论背景,考虑其在多维时间序列建模上存在着隐性状态数量的不确定性和隐性状态间高频转换的两个关键问题,会大幅度地消弱对时间序列的建模能力和时间的一致性(Consistency),提出了采用非参数化贝叶斯的粘性层级狄利克雷过程隐性马尔科夫模型(Sticky Hierarchical Dirichlet Process Hidden Markov Model,sHDP-HMM)对机器人操作任务过程中的末端速度信息、末端力/力矩信息、末端执行器的触觉信息及其相关的统计学信息(如:均值和方差等)进行联合建模的方法。(3)在多模态融合的基础上,提出了采用非参数化贝叶斯模型的机器人实时运动行为识别与异常监测的方法。首先,借助机器人操作任务的参数化描述,利用sHDP-HMM对机器人正常执行多次任务后各运动基元所产生的多模态数据进行建模。然后,通过对比实时观测数据的累积对数似然函数值的形式实现机器人运动行为的识别。最后,在运动行为已知的情况下,依次基于对数似然函数值、对数似然函数梯度值和隐性状态与对数似然函数值映射关系的叁种不同异常阈值实现机器人异常监测。(4)在多模态异常监测的基础上,提出了基于非参数化贝叶斯模型的机器人多模态异常的多目标分类器方法。具体表现为:在异常事件发生时刻的前后按给定窗口的大小提取异常的样本,为各个异常类型学习sHDP-HMM模型,采用交叉验证的方法选择最优的模型;通过对比测试样本在各模型下的对数似然函数值之和实现异常分类。(5)在机器人的异常监测与分类的基础上,学习人类对于瞬时性和持续性两种异常事件的修复经验和意图,对应地提出了两种任务级的机器人异常修复策略:采用多项式分布对机器人瞬时性异常进行运动重做的修复策略;采用人为示范修复并参数化运动描述的方式对机器人持续性异常进行运动调整的修复策略。(6)综合以上的研究内容与成果,为了赋予机器人更长期的自治和更安全的人机共融环境,在传统机器人控制框架Sense-Plan-Act(SPA)的基础上增加了机器人感知(运动行为识别、异常监测、异常分类)阶段和异常修复阶段,提出了一个机器人多模态感知与学习的系统框架SPAIR(Sense-Plan-Act-Introspect-Recover)。该框架主要包括四个功能模块:1)机器人复杂任务的有向图描述;2)机器人运动行为的泛化与识别;3)机器人执行过程中的异常监测与分类;4)机器人异常事件的修复策略学习。(本文来源于《广东工业大学》期刊2019-06-01）
马彬[2]（2019）在《基于规则学习和朴素贝叶斯算法的软件缺陷预测模型研究》一文中研究指出软件缺陷是计算机系统、程序、代码段中存在的偏差,以静态的形式存在于软件内部,在运行时可能被激活的影响软件正常运行能力的隐藏问题和错误。软件缺陷伴随着软件开发的整个生命周期,随着软件规模不断增长,软件缺陷的数量呈上升趋势,软件缺陷的检测难度不断加大。软件缺陷将对各个领域造成严重的影响,所带来的损失难以估量。而人工代码审查在速度上和效率上,已经不能满足软件发展的需要,因此,更加高效的软件缺陷预测变得尤为重要。软件缺陷预测技术分析已有的软件历史数据,从中提取出程序模块并统计该模块的软件复杂度数据、开发过程数据和缺陷数据等作为软件度量元,选取与软件缺陷存在具有强相关性的软件度量元作为特征,使用某种机器学习算法基于上述特征构建软件缺陷预测模型。软件缺陷预测的目的在于利用某种方法对软件潜在缺陷进行预测,提前发现可能存在软件缺陷的代码段,预防软件缺陷的产生。软件缺陷预测一般分为静态预测和动态预测,静态预测主要是针对软件缺陷是否存在、缺陷的数量和分布等进行预测,动态预测主要是针对软件缺陷产生的周期、软件缺陷出现的时间分布等进行预测。本文从静态预测方面进行研究,应用机器学习算法预测软件模块是否存在缺陷。在这个研究领域中,应用的算法主要有随机森林、向量机、贝叶斯、字典学习等。朴素贝叶斯算法基于先验概率估算后验概率,计算复杂性低于决策树、向量机、神经网络等典型算法。数据集对模型预测效果的影响远远大于分类算法的选择。针对数据搜集过程中普遍存在数据缺失的问题,本文提出使用K-近邻算法对数据集中的缺失值进行填充。首先基于数据集中非缺失数据进行聚类;接着根据缺失数据样本与各类簇的欧氏距离,找到缺失数据样本属于的类簇;最后用该类簇的平均值填充缺失数据样本的缺失项,从而得到无缺失值的完整数据集。传统软件静态度量元并不都适于作为基于机器学习的软件缺陷预测模型的特征,且度量元的选择是软件缺陷预测中的重要环节。本文提出使用信息增益法对软件度量元进行选择,根据软件度量元所含有的信息量,选取对软件缺陷预测有较大信息贡献的度量元作为训练软件缺陷预测模型的特征。朴素贝叶斯模型的条件独立性假设会损失特征之间的相关性,针对软件缺陷预测的实际和朴素贝叶斯算法的不足,本文提出采用集成学习加权平均法的结合策略,基于规则学习对朴素贝叶斯模型改进。规则学习考虑了特征之间的组合性对预测结果的影响,有效弥补了朴素贝叶斯模型的不足。并从数据集缺失值处理、特征选择、类不平衡等方面进行了优化,有效提升了模型的预测效果。本文使用被广泛应用于缺陷预测技术中的NASA MDP数据集作为实验数据,进行了多次十折交叉验证。实验结果表明,基于规则学习和朴素贝叶斯算法的软件缺陷预测模型比朴素贝叶斯缺陷预测模型在查准率、查全率、f-measure、AUC值等评价指标上都有提升。与其他研究者的改进算法相比,本文提出的模型在软件缺陷预测中效果更好。(本文来源于《吉林大学》期刊2019-04-01）
田贵良,韦丁[3]（2019）在《基于贝叶斯学习模型的水权交易谈判议价模型与仿真》一文中研究指出通过对水权交易中双方谈判报价机制研究,在水权交易谈判议价环境下,交易双方均期望获取最高收益,由此构建水权交易谈判议价模型。在谈判交易中双方通过贝叶斯学习更新对方底线价格,在估算最大风险接受度的基础上选择下一轮的报价策略,多轮次报价后,将双方报价收敛至合理区间,最终达成一致,完成交易。研究结果表明,谈判议价在保证水权交易合理完成的同时保证了交易中双方受益的最大化,谈判定价在水权交易中是可行且十分有效的定价方法。(本文来源于《水利经济》期刊2019年01期）
张宏博,陈伟炯,闫明[4]（2018）在《多式联运路径优化模型中的贝叶斯极大熵权重自学习方法研究》一文中研究指出在多式联运路径优化模型中,权重赋值是复杂的多目标决策问题。提出一种主客观相结合的综合权重确定方法,先进行主观赋值,再结合贝叶斯网络和极大熵准则进行自学习。通过贝叶斯网络将各目标属性及影响因素相关联,再结合极大熵准则对权重进行自学习来输出各目标权重。通过该方法得到的权重结合了主观判定并通过自学习来减少人为因素偏差,提高了权重的客观准确性,为多式联运中的多目标决策提供技术支持。(本文来源于《计算机应用与软件》期刊2018年10期）
王慧玲,綦小龙,梁义[5]（2018）在《基于完全代理模型的贝叶斯网络结构学习》一文中研究指出贝叶斯网络结构学习中,基于变量序的空间搜索方法不仅是高效的而且结构的质量也是可靠的。但是,在搜索过程中,序的质量评估是一个非常关键的而且也是困难的问题。现有的方法虽然是高效的,但是序的质量评估不可靠。本文提出了一种新的评估序的质量的方法即完全代理模型评估法,该模型用近似于真实的父集来确定变量序的质量,从而找到一个高评分的网络结构。提议的方法主要包含两部分:最佳邻居学习,在变量数的多项式时间内使用互信息学习每个变量的最佳邻居集合;最佳父集学习,在最佳邻居集合规模的指数级时间内,根据当前的变量顺序以及变量的邻居集合学习每个变量的最佳的父集。本文从理论上分析了算法的合理性,从实验上和现有的代理模型算法做了对比,验证了算法的可靠性。(本文来源于《激光杂志》期刊2018年09期）
赖裕平,高宁,何闻达,平原,杜春来[6]（2018）在《贝塔混合模型的变分贝叶斯学习及应用》一文中研究指出贝塔混合模型(Beta Mixture Model,BMM)是一种重要的非高斯概率模型,常用于有界数据的统计分析.但是由于其表达式复杂,BMM的参数估计比较困难.针对该问题,本文提出一种高效的变分贝叶斯学习方法进行参数估计.该方法采用形式简单的自由分布,通过不断最大化初始变分目标函数的下界,迭代逼近得到真实的贝叶斯后验分布.在合成数据集与实际数据集上进行实验,实验结果证明了所提出算法的有效性和可行性.(本文来源于《电子学报》期刊2018年07期）
李梦婷,赵帅,陈绍炜,黄登山[7]（2018）在《基于增量贝叶斯学习模型的在线电路故障诊断》一文中研究指出现有的贝叶斯分类器用于在线电路故障诊断,能保证诊断精度,但随着样本数增加,学习过程耗时相应增长,将不能实时更新诊断模型。针对这一现状,提出一种基于贝叶斯增量学习的在线电路故障诊断方法。利用核函数主成分分析法对特征数据进行降维,以及灵敏度分析确定敏感元器件,并将增量式贝叶斯学习算法应用于双二阶RC有源滤波器进行故障诊断。通过对增量式贝叶斯学习算法和传统的批量式贝叶斯学习算法进行对比,证明了在精度方面与批量式贝叶斯学习算法保持近似的基础上,增量式贝叶斯学习算法大大缩减了模型更新时间。(本文来源于《计算机应用与软件》期刊2018年06期）
薛花[8]（2018）在《基于混合传输模型和稀疏贝叶斯学习的增强型切伦科夫荧光断层成像》一文中研究指出切伦科夫发光断层成像(Cerenkov Luminescence Tomography,CLT)能够利用光学成像仪器探测到放射性核素衰变产生的切伦科夫荧光,反映放射性核素探针在生物体内的叁维空间信息,并且拥有大量临床可应用的放射性核素探针,受到了光学分子影像领域学者的广泛关注。但是切伦科夫成像存在荧光信号微弱、组织穿透性差、逆问题病态性严重等缺陷,严重的限制了该技术的应用和发展。本文针对切伦科夫荧光在生物组织中复杂的传输过程以及荧光信号的稀疏性,在CLT切伦科夫荧光信号的增强方法和CLT的叁维重建方法方面进行了初步探究,具体研究工作如下:(1)针对CLT技术信号强度弱和组织穿透力差的问题,本文采用基于放射荧光材料的切伦科夫荧光信号增强方式。利用核素衰变产生的高能射线激发放射荧光材料发光,最后探测器采集到的是切伦科夫荧光和放射荧光的混合光。本文实验采用稀土纳米颗粒和放射性核素分别为Gd2O2S:Tb和68Ga Cl3。结果表明,基于放射荧光材料的切伦科夫荧光信号增强方式,使得表面光信号总量得到增强,加大探测灵敏度,加快CLT技术的向临床应用的转化。(2)切伦科夫荧光在生物组织中的传输规律和数值模型是后期准确重建的基础。考虑到切伦科夫的光谱特性以及扩散近似方程和叁阶简化球谐波近似的适用范围,本文结合多光谱CLT技术,构建混合传输模型即高散射区域采用扩散近似方程,低散射区域采用叁阶简化球谐波近似模型。数字鼠仿真和真实仿体实验也验证了该方法在保证重建精度的情况下,可以显着提高重建速度,具有良好的性能。(3)针对单视图CLT逆问题重建病态性严重,提出了一种新型单视图增强型切伦科夫发光断层成像重建方法。该方法仅使用一个角度的测量数据,采用结合可行区域迭代收缩策略的稀疏贝叶斯学习重建算法(Sparse Bayesian Learning,SBL)求解逆问题。设计了非匀质圆柱仿真和物理仿体实验,以验证该方法的准确性和稳定性。实验结果表明,该方法可以提高光源目标重建的精度和速度,具有良好的稳定性,有效缓解逆问题的不适定性。(本文来源于《西北大学》期刊2018-06-01）
孙宗豪[9]（2018）在《G~0分布的随机梯度变分贝叶斯学习模型研究及应用》一文中研究指出这些年来,随着遥感技术的发展,SAR图像在很多领域得到了广泛的应用,SAR图像处理的基础是SAR图像分割,然而由于SAR图像成像的特殊性,其极不匀质区域一直是分割的难点。目前有使用人工提出特征的方式进行分割,但是这需要专业的背景知识,成本与效率都比较高。在机器学习中,贝叶斯学习模型可以利用先验知识进行推断,能够自适应的学习数据的特征,可以利用该模型来学习极不匀质区域的特征。因此针对这些情况,本文提出了G~0分布随机梯度变分贝叶斯学习模型的SAR图像分割方法,该方法的主要创新如下所示:(1)提出了G~0分布随机梯度变分贝叶斯模型。贝叶斯网络需要对隐变量和近似后验概率进行概率假设,而光学图像中常用的高斯分布不能很好的拟合SAR图像数据,所以不能有效的学习SAR图像的特征。而G~0分布能够很好的刻画SAR图像的统计特征,所以本文结合贝叶斯网络以及G~0分布,对网络中概率分布的假设均使用G~0分布,从而构造出G~0分布变分贝叶斯学习模型,然后对G~0分布n(28)1和n?1两种情况,分别推导出相应学习模型中变分下界的解析形式,从而为后续学习SAR图像混合像素子空间中极不匀质区域的特征提供模型框架。(2)提出了G~0分布随机梯度变分贝叶斯模型的SAR图像分割方法。针对SAR图像语义空间中的混合像素子空间,使用(1)中设计的G~0分布变分贝叶斯学习模型学习极不匀质区域的特征,然后利用学习到的特征,对混合像素子空间进行分割。首先是对每个极不匀质区域都构造一个G~0分布变分贝叶斯学习模型,并且根据每个区域得到的概率密度函数,得到一组相应的矩阵,用该矩阵作为每个区域学习模型的初始化权值。然后将训练后的权值作为对应区域的特征。接下来是根据特征袋的思路,将所有区域学习到的特征连接到一起构成码本,并且计算每个区域到它的投影,通过最大值汇聚的方法得出表征相应区域的特征。最后通过层次聚类得出这些特征的分类,也就是相应极不匀质区域的分类,即混合像素子空间的分割结果。(3)对于(1)中提出的网络,分析了网络中的两个参数。一个是输入神经元个数,也就是输入图像块大小,另一个是隐层神经元个数。首先对于要分析的参数,使用不同值训练(1)中网络,然后对于学习到的特征,使用聚类的方法分析其特征聚类个数,聚类个数的多少反映了特征之间的差异性,也就是说聚类后的个数越多则表示学习到的特征越多。(本文来源于《西安电子科技大学》期刊2018-06-01）
乔亚琴[10]（2018）在《基于贝叶斯网模型的多标签学习算法研究》一文中研究指出随着信息技术的快速发展,现实生活中出现了大量的多标签数据.因此近年来多标签学习成为研究者们研究的一个热点问题.目前研究者们已经相继提出多种多标签学习方法.主要包括“问题转换”及“算法适应”两种方法,“问题转换”方法主要是将多标签训练数据集进行处理,把多标签学习问题转换为其他的学习问题进行学习,“算法适应”方法是将常用的机器学习算法进行改进,使其适用于多标签数据学习.由于目前提出的算法大多没有考虑到标签之间的相关性,而贝叶斯网正是通过数据分析找到变量之间的相关性,因此本文结合贝叶斯网去研究多标签分类问题.在考虑标签之间的相关性和ML-kNN算法的基础上提出了标签相关的多标签分类算法和基于样本k近邻数据的多标签分类算法等算法.主要研究工作如下:(1)对多标签数据集,通过引入mlaim值刻画标签与属性之间的相关性,提出多标签数据集离散化的方法.进而通过对多标签数据集中的标签集进行贝叶斯网结构学习,提出标签相关的多标签分类模型及算法,并通过多标签数据集验证所给模型及算法的有效性.(2)通过k近邻的分类思想,构造出每个样本关于k近邻样本标签的新数据集,在新数据集下建立线性回归模型和Logistic回归模型,提出基于样本k近邻数据的多标签分类算法,并通过实验验证所给模型及算法的有效性.(3)为了更好的利用原始数据集的信息,找出每个标签关于原始属性的Markov边界,将这些属性作为新数据集中的属性,建立回归模型进而提出考虑Markov边界的多标签分类算法,并通过实验验证所给模型及算法的有效性.(本文来源于《西安工程大学》期刊2018-05-29）
贝叶斯学习模型论文开题报告
（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：
软件缺陷是计算机系统、程序、代码段中存在的偏差,以静态的形式存在于软件内部,在运行时可能被激活的影响软件正常运行能力的隐藏问题和错误。软件缺陷伴随着软件开发的整个生命周期,随着软件规模不断增长,软件缺陷的数量呈上升趋势,软件缺陷的检测难度不断加大。软件缺陷将对各个领域造成严重的影响,所带来的损失难以估量。而人工代码审查在速度上和效率上,已经不能满足软件发展的需要,因此,更加高效的软件缺陷预测变得尤为重要。软件缺陷预测技术分析已有的软件历史数据,从中提取出程序模块并统计该模块的软件复杂度数据、开发过程数据和缺陷数据等作为软件度量元,选取与软件缺陷存在具有强相关性的软件度量元作为特征,使用某种机器学习算法基于上述特征构建软件缺陷预测模型。软件缺陷预测的目的在于利用某种方法对软件潜在缺陷进行预测,提前发现可能存在软件缺陷的代码段,预防软件缺陷的产生。软件缺陷预测一般分为静态预测和动态预测,静态预测主要是针对软件缺陷是否存在、缺陷的数量和分布等进行预测,动态预测主要是针对软件缺陷产生的周期、软件缺陷出现的时间分布等进行预测。本文从静态预测方面进行研究,应用机器学习算法预测软件模块是否存在缺陷。在这个研究领域中,应用的算法主要有随机森林、向量机、贝叶斯、字典学习等。朴素贝叶斯算法基于先验概率估算后验概率,计算复杂性低于决策树、向量机、神经网络等典型算法。数据集对模型预测效果的影响远远大于分类算法的选择。针对数据搜集过程中普遍存在数据缺失的问题,本文提出使用K-近邻算法对数据集中的缺失值进行填充。首先基于数据集中非缺失数据进行聚类;接着根据缺失数据样本与各类簇的欧氏距离,找到缺失数据样本属于的类簇;最后用该类簇的平均值填充缺失数据样本的缺失项,从而得到无缺失值的完整数据集。传统软件静态度量元并不都适于作为基于机器学习的软件缺陷预测模型的特征,且度量元的选择是软件缺陷预测中的重要环节。本文提出使用信息增益法对软件度量元进行选择,根据软件度量元所含有的信息量,选取对软件缺陷预测有较大信息贡献的度量元作为训练软件缺陷预测模型的特征。朴素贝叶斯模型的条件独立性假设会损失特征之间的相关性,针对软件缺陷预测的实际和朴素贝叶斯算法的不足,本文提出采用集成学习加权平均法的结合策略,基于规则学习对朴素贝叶斯模型改进。规则学习考虑了特征之间的组合性对预测结果的影响,有效弥补了朴素贝叶斯模型的不足。并从数据集缺失值处理、特征选择、类不平衡等方面进行了优化,有效提升了模型的预测效果。本文使用被广泛应用于缺陷预测技术中的NASA MDP数据集作为实验数据,进行了多次十折交叉验证。实验结果表明,基于规则学习和朴素贝叶斯算法的软件缺陷预测模型比朴素贝叶斯缺陷预测模型在查准率、查全率、f-measure、AUC值等评价指标上都有提升。与其他研究者的改进算法相比,本文提出的模型在软件缺陷预测中效果更好。
（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。
贝叶斯学习模型论文参考文献
[1].吴鸿敏.非参数化贝叶斯模型的机器人多模态感知与学习[D].广东工业大学.2019
[2].马彬.基于规则学习和朴素贝叶斯算法的软件缺陷预测模型研究[D].吉林大学.2019
[3].田贵良,韦丁.基于贝叶斯学习模型的水权交易谈判议价模型与仿真[J].水利经济.2019
[4].张宏博,陈伟炯,闫明.多式联运路径优化模型中的贝叶斯极大熵权重自学习方法研究[J].计算机应用与软件.2018
[5].王慧玲,綦小龙,梁义.基于完全代理模型的贝叶斯网络结构学习[J].激光杂志.2018
[6].赖裕平,高宁,何闻达,平原,杜春来.贝塔混合模型的变分贝叶斯学习及应用[J].电子学报.2018
[7].李梦婷,赵帅,陈绍炜,黄登山.基于增量贝叶斯学习模型的在线电路故障诊断[J].计算机应用与软件.2018
[8].薛花.基于混合传输模型和稀疏贝叶斯学习的增强型切伦科夫荧光断层成像[D].西北大学.2018
[9].孙宗豪.G~0分布的随机梯度变分贝叶斯学习模型研究及应用[D].西安电子科技大学.2018
[10].乔亚琴.基于贝叶斯网模型的多标签学习算法研究[D].西安工程大学.2018
标签：层级狄利克雷过程隐性马尔科夫模型; 机器人多模态感知; 异常监测和分类; 异常修复;