-
公开(公告)号：CN113449869A
公开(公告)日：2021-09-28
申请号：CN202110157200.8
申请日：2021-02-03
Applicant: 吉林大学
Abstract: 本发明属于机器学习技术领域，具体为一种易推理贝叶斯网络的学习方法，包括步骤1：为预训练，即初始化贝叶斯网络，利用训练数据判断两个节点之间的互信息值，通过互信息初始化贝叶斯网络；步骤2：为搜索，即在初始化的贝叶斯网络附近搜索与训练数据拟合程度更好的贝叶斯网络；步骤3：为寻找易推理的贝叶斯网络，即寻找一个推理效率高的贝叶斯网，其结构合理，通过对学习贝叶斯网络时的推理效率进行打分，变量序、变量消元和团树传播推理等进行分析与处理，构建新的评分函数，进而通过爬山法学习贝叶斯网络，从而构建出能在保证一定拟合程度的情况下的易推理的贝叶斯网络。为贝叶斯网络走向应用的过程中，满足实际需求。
-
公开(公告)号：CN111612160A
公开(公告)日：2020-09-01
申请号：CN202010453090.5
申请日：2020-05-26
Applicant: 吉林大学
Abstract: 本发明涉及网络优化技术领域，具体为一种基于粒子群优化算法的增量贝叶斯网学习方法，该方法至少包括：采用一种与传统邻接矩阵、邻接表不同的、类似于二维数组的贝叶斯网络编码方法；充分发挥离散粒子群优化算法在最优搜索领域的优势，并与贝叶斯网恰当结合，完成贝叶斯网结构学习过程中最优结构的搜索过程；将粒子群算法应用于贝叶斯网络学习中，并模拟现实中数据增长的环境，将普通的一次性学习过程改为增量学习过程，使网络模型的结构和参数随时间动态更新，以适应新数据的不断到来。
-
公开(公告)号：CN104679991A
公开(公告)日：2015-06-03
申请号：CN201510041738.7
申请日：2015-01-27
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 本发明公开了一种面向有序命题的信息融合新方法，围绕有序命题类问题，提出了基本支持函数的凸度、扩展无知、基本(或准-基本)支持函数λ*的信息心、信息熵，基本支持函数间的相容性等概念。提出与求质心不同的λ*“信息心”计算新方法，求λ*信息心只涉及λ*的较大信任值，其作用被突出，可理解为较大信任值被赋予了更大的权重。针对有多个最大信任值和/或“近似最大”信任值的λ*，提出了改进的信息熵计算方法，并验证了其有效性。最终提出了整合信息心、信息熵计算，相容性度量，非正整数信息心处理、扩展无知和凸度等的基本支持函数融合新方法，有效解决了有序命题类问题的信息融合问题。
-
Patent Agency Ranking
公开(公告)号：CN116562376A
公开(公告)日：2023-08-08
申请号：CN202310457640.4
申请日：2023-04-21
Applicant: 吉林大学
Abstract: 本发明提供一种进行贝叶斯网结构学习的算法，所述算法首先选择可分解的贝叶斯网评分并使用父集识别方法对每个变量识别备选父集，随机采样一个变量序，然后为存在较强依赖关系的变量间添加无向边，在满足与变量序一致的情况下将无向边有向化，用初始变量序初始化蒙特卡洛树的根结点，从根结点开始进行若干次搜索，每次探索将父集得分较低的变量后移，得到子结点并选择UCB评分最高的继续扩展，直至变量序父集得分低于父结点，再向上反向传播，更新路径上结点的UCB评分，将父集得分最高的变量序传入OBS算法进行结构学习，得到最终的贝叶斯网结构，所述方法同时考虑了随机与贪心，能够更好地避免陷入局部最优解，得到父集评分更高的贝叶斯网结构。
-
公开(公告)号：CN113033810A
公开(公告)日：2021-06-25
申请号：CN202110474080.4
申请日：2021-04-29
Applicant: 吉林大学
IPC: G06N7/00
Abstract: 本发明提供了一种用Dijkstra算法学习最优贝叶斯网络的方法，属于发电机生产领域，包括以下步骤：将构造最优解贝叶斯网络转化为建立最短路径问题，让不包含任何变量的最顶层结点作为起点状态和包含所有变量的最底部结点作为目标状态，根据定义最短路径对应最优贝叶斯网络；将最优贝叶斯网络应用到最短路径搜索问题的搜索技术中，采用Djikstra算法，按路径长度的非递减次序，逐步产生源点到其他各顶点的最短路径。该用Dijkstra算法学习最优贝叶斯网络的方法，采用Djikstra算法学习最优解贝叶斯网络使我们必将找到一个或多个最优的贝叶斯网络，并将结果存放到一个数组中，使结果更加准确，并且时间复杂度仅为O(n2)。
-
公开(公告)号：CN109886883A
公开(公告)日：2019-06-14
申请号：CN201910054461.X
申请日：2019-01-21
Applicant: 吉林大学
Abstract: 实时偏振透雾成像图像增强处理方法，涉及光电成像技术领域，解决目前的偏振透雾成像技术存在的图像部分区域过曝，造成图像视觉效果受限以及图像细节信息较少、图像层次感较差、实时性较差等问题，包括获取偏振分量图像，对获得的偏振分量图像进行实时配准，采用先映射后合并的方式对实时配准后的偏振分量图像进行融合，获得偏振合成图像以及采用基于双线性插值的限制对比度自适应直方图均衡算法对偏振合成图像进行可视化增强处理的步骤。通过实施本发明的偏振图像去雾增强处理算法以及偏振透雾成像系统可实时获取高对比度、高清晰度图像信息且不损失空间分辨率，获得的重建图像细节丰富，图像层次感较强。
-
公开(公告)号：CN117829293A
公开(公告)日：2024-04-05
申请号：CN202311766186.7
申请日：2023-12-15
Applicant: 吉林大学
Abstract: 本发明公开了一种基于A*搜索算法学习限制树宽的贝叶斯网络的方法，属于学习贝叶斯网络的领域。包括：1.通过独立选择方法，创建候选父集；2将学习贝叶斯网络的问题看成是寻找最短路径的问题，将候选父集的BIC评分作为路径的代价；基于A*搜索算法，寻找从空集到包含所有节点的最短路径，从而得到最优贝叶斯网络；3.在学习贝叶斯网络的过程中，基于k‑greedy算法为每个节点选择父集并保证父集是k‑团的子集，从而限制贝叶斯网络的树宽；4.重复状态检测。本方法综合了A*搜索算法和k‑greedy算法的优势，能够学习限制树宽的最优贝叶斯网络。该贝叶斯网络能够获得更高的BIC评分，降低过拟合风险以及推理复杂度。
-
公开(公告)号：CN109635931A
公开(公告)日：2019-04-16
申请号：CN201811529777.1
申请日：2018-12-14
Applicant: 吉林大学
CPC classification number: G06N3/0454 , G06N3/0472 , G06N3/0481 , G06N3/088
Abstract: 本发明公开了一种基于深度信念网的设备运行状态评价方法，其方法为：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，深度信念网训练首先对每层受限的波尔兹曼机进行预训练，受限的波尔兹曼机采用的是无监督学习方法；第二步、微调：在数层的受限的波尔兹曼机之上添加逻辑回归层并进行训练，然后采用误差逆传播算法对整个深度信念网进行参数微调；第三步、测试：运用第一步和第二步中训练的深度信念网络，对设备运行数据的测试样本集Xtest中的样本进行测试。有益效果：能够训练出一个精确度较高的评价设备运行状态的深度信念网络。提供一种科学有效的设备运行状态评价标准。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
