导读:本文包含了稀疏贝叶斯学习论文开题报告文献综述及选题提纲参考文献，主要关键词:目标方位,稀疏贝叶斯学习,序贯估计
稀疏贝叶斯学习论文文献综述
牛海强,李整林,宫在晓[1]（2019）在《多频多快拍稀疏贝叶斯学习目标方位序贯估计》一文中研究指出0引言快速高分辨率水声目标方位估计一直是水声学领域的重要研究方向。相比于水声中常用的常规波束形成CBF和自适应波束形成MVDR方法,压缩感知具有分辨率高、旁瓣低同时可处理相干信号等优势,但缺点是计算复杂度高、计算效率低。稀疏贝叶斯学习[1-5]作为压缩感知实现方式的一种,具有稳健性好、无需人为设定稀疏度的优点,已被应用于水声目标方位估计[2,3]、被动定位[4]及水平波数谱估计[5]。本文针对实际水声应用中面临的(本文来源于《2019年全国声学大会论文集》期刊2019-09-21）
蒋留兵,荣书伟,车俐[2]（2019）在《基于稀疏贝叶斯学习的低信噪比DOA估计算法》一文中研究指出针对波达方向估计算法在低信噪比情况下DOA估计精度普遍不高的问题,提出了一种基于伪噪声重采样技术和求根稀疏贝叶斯学习的离格模型下DOA估计算法。利用生成的伪随机噪声对数据矩阵进行多次重采样,结合求根稀疏贝叶斯学习和局部性能测试去除DOA估计产生的异常值,对所得DOA估计结果进行筛选。仿真结果表明,该算法在低信噪比情况下具有较高的估计精度,是一种有效的DOA估计算法。(本文来源于《桂林电子科技大学学报》期刊2019年03期）
郭珉[3]（2019）在《基于正则化的贝叶斯网络结构稀疏学习及应用研究》一文中研究指出贝叶斯网络是一种表示随机变量联合分布的有效建模工具,被广泛用于不确定性系统的建模和推理。它用有向无环图从全局角度揭示了所有随机变量间存在的直接和间接联系,同时可用随机变量的概率分布量化变量间概率依赖的程度。其中,从数据中自动识别最优的贝叶斯网络结构是研究的热点和难点。高维背景下,面向中小型网络的传统贝叶斯网络结构学习方法在搜索最优贝叶斯网络时遇到了挑战。贝叶斯网络有向无环图空间会随网络节点的增加呈指数倍增长,高维数据的出现使得该空间暴增,进而使得搜索工作计算量大、时间成本高,有效性差;同时,高维数据还会使贝叶斯网络结构学习模型变得愈加复杂,产生过拟合问题,模型泛化能力和解释能力差。针对高维背景下贝叶斯网络结构学习面临的问题,学者们对贝叶斯网络结构施加各种软硬约束以稀疏化网络结构,从而简化大型复杂网络的结构学习。硬约束是人工主观地将节点最大相邻节点数或父节点数统一设定为一个较小的常数,此类方法忽视了不同节点连接密度的不均匀性。软约束是给贝叶斯网络结构学习模型添加基于_1或_0范数约束,实现从数据自动学习稀疏的网络结构。此类方法为基于正则化的贝叶斯网络结构稀疏学习,能一定程度上缓解高维背景下传统贝叶斯网络结构学习所面临的问题。正则化稀疏学习在广义线性模型、协方差估计、矩阵分解、影像处理等方面是有效的工具,但在贝叶斯网络结构学习领域还是一个相对较新的研究方向。本文针对基于正则化的贝叶斯网络结构学习方法及应用问题展开研究。主要工作和创新性如下:(1)提出将适用于带罚广义线性模型的特征筛选规则用于贝叶斯网络结构的稀疏学习。虽然正则化方法在贝叶斯网络学习中具有明显优势,但对于大型贝叶斯网络来说,现有稀疏学习方法运行速度慢,学习精度低,甚至会由于涉及计算量太大以致无法使用。基于正则化的大型贝叶斯网络稀疏学习往往包含上百个带罚广义线性模型,而各类安全特征筛选规则可以加速单个带罚广义线性模型的运行速度。(2)将GAP安全特征筛选规则融入基于_1正则化的高斯贝叶斯网络结构学习,提出适用于高维背景下高斯贝叶斯网络结构稀疏学习的GBN-GAP算法。由于离散贝叶斯网络学习的复杂度远远大于高斯贝叶斯网络学习,因此本文从高斯贝叶斯网络入手展开研究。GBN-GAP算法基于L1MB-DAG算法采用两阶段学习法:第一阶段,忽视有向无环图的约束条件,利用一系列整合了GAP安全筛选规则的LASSO问题的结果构建无向图骨架;第二阶段,利用无向图骨架缩小有向无环图搜索空间,在此空间中采用爬山算法寻找得分最优的贝叶斯网络。由于GAP安全筛选规则可以提前识别并剔除LASSO稀疏解中系数确定为0的大部分变量,实现在缩减规模的设计矩阵上得到与原LASSO问题相同的最优解。因此,GBN-GAP算法主要优点为:将GAP筛选过程与LASSO迭代求解相整合,每次迭代均在缩小规模的设计矩阵上求解LASSO问题,在尽量不损失L1MB-DAG算法学习精度的同时,加快了贝叶斯网络结构的学习速度;同时,基于GAP的学习结果可作为约束条件,限制有向无环图搜索空间的大小,进一步降低GBN-GAP算法的时间复杂度。模拟结果显示,GBN-GAP算法特别适用于高维小样本下的大型高斯贝叶斯网络,可以在有效时间内挖掘稀疏的贝叶斯网络结构,弥补了一般贝叶斯网络学习方法面临高维数据时的缺陷。(3)基于Bootstrap和GBN-GAP算法构建了平均的贝叶斯网络结构。以识别网络结构为目标的实际应用中,在保证网络整体质量的同时还要尽量寻求网络局部结构的质量,即边的学习质量。高维小样本下,与其他算法相比,GBN-GAP算法虽然能正确学到真实网络更多的边,但同时学到真实网络骨架图不存在边(伪边)的数量也随之增加。所以,为了尽量减少估计结果中伪边的数量,本文利用模型平均的思想构建了平均的贝叶斯网络结构。其中,构成平均贝叶斯网络结构的边,均为达到一定置信阈值的边。模拟结果显示:当逐步提高边的置信阈值时,被纳入平均网络结构的真边会越来越少,同时伪边会以更快的速度减少,故应用中应根据实际需要设定合理的置信阈值。与单个GBN-GAP算法和其他经典贝叶斯网络方法比较,基于模型平均的贝叶斯网络结构学习在精确度方面优于它们的表现。(4)基于GBN-GAP类高斯贝叶斯网络结构稀疏学习方法在拟南芥基因数据中的应用。基因表达数据往往为高维连续型数据,且样本量小。因此,本文首先将GBN-GAP算法应用于拟南芥基因表达数据以识别稀疏的拟南芥基因网络,并对方法进行了有效性评价。研究发现,GBN-GAP算法可以识别拟南芥基因网络中不同基因之间的依赖路径,同时能识别基因网络中一些具有调控作用的中心节点。在获取拟南芥基因网络整体结构特征后,采用基于GBN-GAP算法的模型平均法从基因数据中识别精准度更高、结构更稀疏的平均拟南芥基因网络。(5)基于组正则化的离散贝叶斯网络结构稀疏学习方法在P2P再次贷款中的应用。研究高维背景下应用问题时,通常更多面对由连续数据和离散数据组成的混合数据,此时无法利用高斯贝叶斯网络稀疏学习方法或传统离散贝叶斯网络学习方法识别变量间存在的依赖关系。因此,本文利用基于Multi-Logit和组正则化的离散贝叶斯网络学习方法研究影响P2P借款人再次贷款的关键因素和路径,用以探讨离散贝叶斯网络稀疏学习方法在实际中的应用。目前学者们更多地从网络借贷平台行为、出借人投资行为等方面展开研究,较少涉及P2P再次贷款的问题。并且,现有文献研究在线社交关系对网络借贷的影响时,鲜少明确区分有向和无向社交关系、不同类型和强度的有向社交关系对网络借贷的影响,本文则细化了在线社交关系并研究其对P2P再次贷款的影响。具体从不同产品视角分别学习影响P2P再次贷款的离散贝叶斯网络结构,并结合贝叶斯参数估计和贝叶斯网络概率推理结果,量化分析了不同产品下影响P2P借款人再次贷款的因素及路径,旨在为网络借贷平台实施各类营销计划等活动提供一定的依据。研究发现,不同产品视角下,影响P2P借款人再次贷款的因素明显不同,主要区别表现在借款人在线社交关系和银行借贷消费行为方面的因素。此外,由于网络借贷移动平台流量不足、P2P借款人在移动平台应用行为成熟度不高,不同产品视角下得到的网络结构均揭示,P2P借款人在移动端的手机行为成熟度对P2P再次贷款没有影响。综上所述,本文针对高维背景下贝叶斯网络结构稀疏学习方法及应用存在的问题进行了基础性的研究,但仍然存在一些问题和未来需进一步深入研究的方向。未来可尝试改进GBN-GAP算法,进一步提高算法的学习准确度;尝试将GAP安全筛选规则用于加速离散贝叶斯网络稀疏学习方法的速度;在构建基于正则化的贝叶斯网络稀疏学习模型时融入更多关于网络结构先验的信息,提高贝叶斯网络的学习质量;在更深层次、更广范围内探讨贝叶斯网络结构稀疏学习方法在实践中的应用。(本文来源于《山西财经大学》期刊2019-05-28）
雷文华,李勇,胡海冰[4]（2019）在《酉稀疏贝叶斯学习降维MIMO雷达角度估计》一文中研究指出针对收发共址多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的低计算复杂度波达方向(Direction of Arrival,DOA)估计问题,提出一种降维的MIMO雷达高精度DOA新算法。首先采用经过白化的降维矩阵对MIMO雷达脉冲压缩后的接收信号进行降维;然后通过最优信号子空间拟合对无幅度误差阵列流型下的接收信号矩阵进行重构;接下来通过酉变换得到实值增广数据矩阵,并在实值稀疏字典矩阵下对其进行稀疏表示;接着将DOA估计问题转化为行稀疏矩阵的稀疏恢复问题,通过改进的稀疏贝叶斯学习对其进行求解,实现目标DOA的估计。理论分析和仿真实验结果验证了该方法的有效性和实用性。(本文来源于《电讯技术》期刊2019年03期）
戴玮[5]（2019）在《基于球谐域稀疏贝叶斯学习的室内多声源定位方法研究》一文中研究指出球麦克风阵列能有效处理叁维声场信息,因此近些年来受到了广泛的关注。使用球麦克风阵列进行声源定位,分为阵元域和球谐域两种处理方法。相比阵元域方法,球谐域方法可以有效地将频率与角度信息解耦,且与阵元位置无关,易于实现叁维空间的声源定位。因此现有的球麦克风阵列声源定位方法大多在球谐域中处理。相较于传统的声源定位方法,运用压缩感知理论的稀疏贝叶斯学习方法的定位精度更高。因此,本文主要基于球谐域稀疏贝叶斯学习进行研究。相对于单声源,多声源定位更具挑战性。目前已有的球谐域声源定位方法在室内混响噪声环境下无法达到精度要求。基于此,本文对基于球谐域稀疏贝叶斯学习的室内多声源定位方法进行了研究。本文的主要工作和贡献如下:1、分析了现有的球谐域多声源定位方法性能,包括球谐域多信号分类方法和球谐域稀疏重构方法。通过仿真实验揭示了这两种方法存在的问题:球谐域多信号分类方法的分辨率不高,而球谐域稀疏重构方法对混响的鲁棒性较差。2、提出了球谐域稀疏贝叶斯学习多声源定位方法。该方法首先通过频率平滑将语音宽带信号聚焦为窄带信号以提高算法的运行速度,降低了信号对混响噪声的敏感性,然后利用球谐域时序多快拍稀疏贝叶斯学习方法得到声源的初始位置信息,最后在声源位置附近细划分网格估计出最终的声源位置,以提高算法的定位精度。仿真和实测实验结果均表明,相较于现有的球谐域多声源定位方法,所提方法在混响噪声环境下具有更高的定位精度。3、针对现有稀疏字典对高混响噪声敏感的问题,提出了一种球谐域稀疏贝叶斯学习定位中的字典设计方法。该方法利用压缩感知波束形成的思想对原有稀疏字典进行加权,基于此字典,通过球谐域时序多快拍稀疏贝叶斯学习方法进行定位得到初步的声源位置,最后利用直方图平滑和网格细化进行二次优化得到各声源的定位结果。仿真和实测实验结果验证了运用所提字典的球谐域稀疏贝叶斯学习多声源定位方法在混响噪声环境下具有更强的鲁棒性。(本文来源于《南京航空航天大学》期刊2019-03-01）
张永顺,朱卫纲,贾鑫,王满喜[6]（2019）在《基于块稀疏贝叶斯学习的直扩通信窄带干扰检测与参数估计》一文中研究指出现有基于Nyquist采样定理的直扩(direct sequence spread spectrum,DSSS)通信窄带干扰(narrowband interference,NBI)检测和参数估计方法存在应用受限于采样率较高的问题。针对这一问题,将压缩感知(compressive sensing,CS)应用于DSSS通信NBI的检测和参数估计,根据DSSS信号与NBI的不同压缩域特性以及NBI在频域表现出的分块稀疏特性,利用块稀疏贝叶斯学习(block sparse Bayesian leaning,BSBL)框架获取干扰检测和参数估计的特征量,通过对特征量的检测和参数估计实现对NBI的检测和参数估计。理论分析和仿真结果表明:所提方法能够在压缩采样条件下实现对DSSS通信中NBI的有效检测和参数估计,与传统方法相比具有显着优势,干扰检测和参数估计性能受干扰强度、干扰带宽以及压缩率变化的影响,干扰强度越强、干扰带宽越小、压缩率越大,干扰检测和参数估计效果越好。(本文来源于《系统工程与电子技术》期刊2019年04期）
袁骏,肖卉,蔡志明,奚畅[7]（2019）在《基于稀疏贝叶斯学习的拖曳线列阵空间谱估计》一文中研究指出针对常规拖曳线列阵目标方位估计中存在的左右舷模糊问题,提出了联合多个时刻机动拖曳线列阵信号模型的稀疏贝叶斯学习空间谱重构估计方法。首先,建立了机动拖曳线列阵的阵元域信号超完备稀疏表示模型;然后,根据稀疏贝叶斯学习原理将目标的空间角度稀疏特性通过信号双层先验假设进行隐性描述;最后,对目标空间谱的变化过程采用隐马尔可夫模型进行描述,并将空间谱连续慢变的客观规律应用到目标信号超参数的概率密度计算中,构建基于多个时刻阵列信号模型的空间谱稀疏重构模型。计算机仿真研究和海试数据验证结果表明:所提方法在拖曳线列阵机动条件下,能够有效抑制固有的左右舷模糊,同时具有更好的重构精度,从而实现拖曳线列阵空间谱的优效估计。(本文来源于《系统工程与电子技术》期刊2019年06期）
郭珉,石洪波,程鑫[8]（2019）在《基于贝叶斯网稀疏结构学习的信用影响因素结构发现》一文中研究指出面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。(本文来源于《统计与信息论坛》期刊2019年01期）
刘天娇[9]（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）
臧青杨,陈春晓,杨俊豪,李东升[10]（2018）在《基于块稀疏贝叶斯学习的多目标动态荧光分子重建》一文中研究指出针对基于范数优化的多目标动态荧光分子重建稀疏性不足、定位精度低的问题,本研究提出了基于块稀疏贝叶斯学习的重建方法。该方法利用多观测动态荧光信号共享相同稀疏结构的特点,充分挖掘了信号的时空相关性信息和分块稀疏特性,将多观测模型联合稀疏重构问题转化为块稀疏贝叶斯学习问题,通过稀疏贝叶斯框架下的相关向量机稀疏学习模型获取稀疏解。实验结果表明,本研究算法相较于传统压缩感知算法具有更高的稀疏度和定位精度。(本文来源于《生物医学工程研究》期刊2018年04期）
稀疏贝叶斯学习论文开题报告
（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：
针对波达方向估计算法在低信噪比情况下DOA估计精度普遍不高的问题,提出了一种基于伪噪声重采样技术和求根稀疏贝叶斯学习的离格模型下DOA估计算法。利用生成的伪随机噪声对数据矩阵进行多次重采样,结合求根稀疏贝叶斯学习和局部性能测试去除DOA估计产生的异常值,对所得DOA估计结果进行筛选。仿真结果表明,该算法在低信噪比情况下具有较高的估计精度,是一种有效的DOA估计算法。
（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。
稀疏贝叶斯学习论文参考文献
[1].牛海强,李整林,宫在晓.多频多快拍稀疏贝叶斯学习目标方位序贯估计[C].2019年全国声学大会论文集.2019
[2].蒋留兵,荣书伟,车俐.基于稀疏贝叶斯学习的低信噪比DOA估计算法[J].桂林电子科技大学学报.2019
[3].郭珉.基于正则化的贝叶斯网络结构稀疏学习及应用研究[D].山西财经大学.2019
[4].雷文华,李勇,胡海冰.酉稀疏贝叶斯学习降维MIMO雷达角度估计[J].电讯技术.2019
[5].戴玮.基于球谐域稀疏贝叶斯学习的室内多声源定位方法研究[D].南京航空航天大学.2019
[6].张永顺,朱卫纲,贾鑫,王满喜.基于块稀疏贝叶斯学习的直扩通信窄带干扰检测与参数估计[J].系统工程与电子技术.2019
[7].袁骏,肖卉,蔡志明,奚畅.基于稀疏贝叶斯学习的拖曳线列阵空间谱估计[J].系统工程与电子技术.2019
[8].郭珉,石洪波,程鑫.基于贝叶斯网稀疏结构学习的信用影响因素结构发现[J].统计与信息论坛.2019
[9].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
[10].臧青杨,陈春晓,杨俊豪,李东升.基于块稀疏贝叶斯学习的多目标动态荧光分子重建[J].生物医学工程研究.2018