-
题名基于贝叶斯框架融合的RGB-D图像显著性检测
被引量：5
- 1
-
-
作者
王松涛
周真
靳薇
曲寒冰
-
机构
哈尔滨理工大学测控技术与仪器省高校重点实验室
北京市科学技术研究院人工智能与大数据研究中心
北京市新技术应用研究所大数据研究中心
-
出处
《自动化学报》
EI
CSCD
北大核心
2020年第4期695-720,共26页
-
基金
国家自然科学基金(91746207)
北京市西城区优秀人才培养资助项目
北京市科技计划(Z161100001116086)资助。
-
文摘
为了有效融合RGB图像颜色信息和Depth图像深度信息,提出一种基于贝叶斯框架融合的RGB-D图像显著性检测方法.通过分析3D显著性在RGB图像和Depth图像分布的情况,采用类条件互信息熵(Class-conditional mutual information, CMI)度量由深层卷积神经网络提取的颜色特征和深度特征的相关性,依据贝叶斯定理得到RGB-D图像显著性后验概率.假设颜色特征和深度特征符合高斯分布,基于DMNB (Discriminative mixed-membership naive Bayes)生成模型进行显著性检测建模,其模型参数由变分最大期望算法进行估计.在RGB-D图像显著性检测公开数据集NLPR和NJU-DS2000上测试,实验结果表明提出的方法具有更高的准确率和召回率.
-
关键词
贝叶斯融合
深度学习
生成模型
显著性检测
RGB-D图像
-
Keywords
bayesian fusion
deep learning
generative model
saliency detection
RGB-D images
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名风电场输出功率的多时段联合概率密度预测
被引量：23
- 2
-
-
作者
杨明
朱思萌
韩学山
王洪涛
-
机构
电网智能化调度与控制教育部重点实验室(山东大学)
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2013年第10期23-28,共6页
-
基金
国家自然科学基金资助项目(51007047
51077087)
+2 种基金
国家高技术研究发展计划(863计划)资助项目(2011AA05A101)
高等学校博士学科点专项科研基金资助项目(20100131120039)
山东省自然科学基金资助项目(ZR2010EQ035)~~
-
文摘
风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。
-
关键词
电力系统
风电预测
联合概率密度预测
稀疏贝叶斯学习
常条件相关—多元广义自回归条件异方差模型
-
Keywords
power system
wind power forecast
joint probability density forecast
sparse bayesian learning
constant conditional correlation-multivariate generalized auto regressive conditional heteroskedasticity（CCC-MGARCH） model
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名基于深度期望Q网络算法的微电网能量管理策略
被引量：38
- 3
-
-
作者
冯昌森
张瑜
文福拴
叶承晋
张有兵
-
机构
浙江工业大学信息工程学院
浙江大学电气工程学院
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2022年第3期14-22,共9页
-
基金
国家自然科学基金资助项目(51777193)
国家自然科学基金-山西煤基低碳联合基金项目(U1910216)。
-
文摘
随着光伏发电在微电网中的渗透率不断提高,其发电出力的不确定性和时变性为微电网的经济运行带来了挑战。在构建经济调度模型时,就需要适当模拟不确定变量并相应地发展高效求解算法。在此背景下,文中提出能够有效计及不确定性因素的深度强化学习算法,以实时求解微电网的优化运行问题。首先,采用马尔可夫决策过程对微电网优化运行问题进行建模,用实时奖励函数代替目标函数和约束条件,利用其与环境互动,寻找最优策略。其次,借助贝叶斯神经网络对不确定的学习环境建模,进而在马尔可夫决策过程中有效考虑状态转移的随机过程。为此,提出双深度期望Q网络算法,通过考虑状态转移的随机性,优化一般深度Q网络算法的Q迭代规则,显著提高算法的收敛速度。最后,采用算例验证了所提模型和算法的有效性。
-
关键词
光伏发电
不确定性建模
深度强化学习
贝叶斯神经网络
双深度期望Q网络
-
Keywords
photovoltaic generation
uncertainty modeling
deep reinforcement learning
bayesian neural network
double deep expected Q network
-
分类号
TM615
[电气工程—电力系统及自动化]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名多任务学习
被引量：41
- 4
-
-
作者
张钰
刘建伟
左信
-
机构
中国石油大学(北京)自动化系
-
出处
《计算机学报》
EI
CSCD
北大核心
2020年第7期1340-1378,共39页
-
基金
国家重点研发计划项目(2016YFC0303703-03)
中国石油大学(北京)年度前瞻导向及培育项目(2462018QZDX02)资助.
-
文摘
随着图像处理,语音识别等人工智能技术的发展,很多学习方法尤其是采用深度学习框架的方法取得了优异的性能,在精度和速度方面有了很大的提升,但随之带来的问题也很明显,这些学习方法如果要获得稳定的学习效果,往往需要使用数量庞大的标注数据进行充分训练,否则就会出现欠拟合的情况而导致学习性能的下降.因此,随着任务复杂程度和数据规模的增加,对人工标注数据的数量和质量也提出了更高的要求,造成了标注成本和难度的增大.同时,单一任务的独立学习往往忽略了来自其它任务的经验信息,致使训练冗余重复和学习资源的浪费,也限制了其性能的提升.为了缓解这些问题,属于迁移学习范畴的多任务学习方法逐渐引起了研究者的重视.与单任务学习只使用单个任务的样本信息不同,多任务学习假设不同任务数据分布之间存在一定的相似性,在此基础上通过共同训练和优化建立任务之间的联系.这种训练模式充分促进任务之间的信息交换并达到了相互学习的目的,尤其是在各自任务样本容量有限的条件下,各个任务可以从其它任务获得一定的启发,借助于学习过程中的信息迁移能间接利用其它任务的数据,从而缓解了对大量标注数据的依赖,也达到了提升各自任务学习性能的目的.在此背景之下,本文首先介绍了相关任务的概念,并按照功能的不同对相关任务的类型进行划分,之后对它们的特点进行了逐一描述.然后,本文按照数据的处理模式和任务关系的建模过程不同将当前的主流算法划分为两大类:结构化多任务学习算法和深度多任务学习算法.其中,结构化多任务学习算法采用线性模型,可以直接针对数据进行结构假设并且使用原有标注特征表述任务关系,同时,又可根据学习对象的不同将其细分为基于任务层面和基于特征层面两种不同结构,每种结构有判别式方法和生成式方法两种实现手段.与结构化多任务学习算法的建模过程不同,深度多任务学习算法利用经过多层特征抽象后的深层次信息进行任务关系描述,通过处理特定网络层中的参数达到信息共享的目的.紧接着,以两大类算法作为主线,本文详细分析了不同建模方法中对任务关系的结构假设、实现途径、各自的优缺点以及方法之间的联系.最后,本文总结了任务之间相似性及其紧密程度的判别依据,并且分析了多任务作用机制的有效性和内在成因,从归纳偏置和动态求解等角度阐述了多任务信息迁移的特点.
-
关键词
多任务学习
信息迁移
任务相似性
贝叶斯生成式模型多任务学习
判别式多任务学习
深度多任务学习
-
Keywords
multi-task learning
information transfer
similarity of tasks
bayesian generative model of multi-task learning
discriminant approach of multi-task learning
deep multi-task learning via deep neural network
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种深度生成模型的超参数自适应优化法
被引量：5
- 5
-
-
作者
姚诚伟
陈根才
-
机构
浙江大学计算机科学与技术学院
-
出处
《实验室研究与探索》
CAS
北大核心
2018年第2期48-53,共6页
-
文摘
深度生成模型在非监督特征提取上有着优异的性能,在人工智能的很多领域取得巨大成功。无论在科学实验还是实际应用中,为深度生成模型设置合适的超参数始终是一大难题。传统超参数优化大多基于领域专家的经验或基于黑盒的贝叶斯优化策略。深度生成模型的超参数众多且训练所需计算资源大,传统办法无法胜任对其进行高效优化。提出一种基于神经元稀疏度的超参数自适应优化方法。该方法根据模型在逐层训练过程中神经元激活的稀疏度,利用高斯过程实时预测最佳超参数组合,将其应用到下一迭代中。实验结果显示该方法不仅明显提升深度生成模型的性能,在效率和精度上也明显优于其它主流优化方法。
-
关键词
深度生成模型
超参数
贝叶斯优化
非监督学习
-
Keywords
deep generative models
hyperparameters
bayesian optimization
unsupervised learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名利用标注者相关性的深度生成式众包学习
被引量：1
- 6
-
-
作者
李绍园
韦梦龙
黄圣君
-
机构
南京航空航天大学计算机科学与技术学院/人工智能学院
-
出处
《软件学报》
EI
CSCD
北大核心
2022年第4期1274-1286,共13页
-
基金
国家自然科学基金(61906089)
江苏省基础研究计划(BK20190408)
中国博士后基金(2019TQ0152)。
-
文摘
传统监督学习需要训练样本的真实标记信息,而在很多情况下,真实标记并不容易收集.与之对比,众包学习从多个可能犯错的非专家收集标注,通过某种融合方式估计样本的真实标记.注意到现有深度众包学习工作对标注者相关性建模不足,而非深度众包学习方面的工作表明,标注者相关性建模利用有助于改善学习效果.提出一种深度生成式众包学习方法,以结合深度神经网络优势及利用标注者相关性.该模型由深度神经网络分类器先验和标注生成过程组成,其中,标注生成过程通过引入各类别内标注者能力的混合模型以建模标注者相关性.为自适应地匹配数据及模型复杂度,实现了完全贝叶斯推断.基于结构变分自编码器的自然梯度随机变分推断技术,将共轭参数变分消息传递与神经网络参数随机梯度下降结合到统一框架,实现端到端的高效优化.在22个真实众包数据集上的实验结果验证了该方法的有效性.
-
关键词
众包学习
深度生成式模型
标注者相关性
贝叶斯
自然梯度随机变分推断
-
Keywords
crowdsourcing learning
deep generative model
worker correlations
bayesian
natural-gradient stochastic variational inference
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名计算机生成兵力行为建模发展现状
被引量：5
- 7
-
-
作者
高昂
段莉
张国辉
董志明
曹洁
郭齐胜
-
机构
陆军装甲兵学院演训中心
中国人民解放军
-
出处
《计算机工程与应用》
CSCD
北大核心
2019年第19期43-51,共9页
-
文摘
体系仿真是解决目前信息化条件下诸多军事问题的有效手段,仿真系统中计算机生成兵力(Computer Generated Force,CGF)行为表示准确与否是直接影响军事问题研究结论的重要因素。针对目前CGF自治性难以满足军事问题研究需求,系统总结了10年来CGF行为建模方法,并对比分析了不同方法的优缺点,梳理了近5年国内外CGF行为建模技术发展现状,针对军事问题研究需求,对当前该领域存在的问题和发展前景进行总结,并提出四种CGF行为建模思想方法。
-
关键词
计算机生成兵力
行为建模
贝叶斯网络
深度学习
强化学习
知识图谱
-
Keywords
computer generated force
behavior modeling
bayesian networks
deep learning
reinforcement learning
knowledge graph
-
分类号
E919
[军事]
TP39
[自动化与计算机技术—计算机应用技术]
-
-
题名近似Bayes计算前沿研究进展及应用
被引量：3
- 8
-
-
作者
朱万闯
季春霖
邓柯
-
机构
清华大学工业工程系统计学研究中心
光启高等理工研究院
-
出处
《应用数学和力学》
CSCD
北大核心
2019年第11期1179-1203,共25页
-
基金
国家自然科学基金(11771242)~~
-
文摘
在大数据和人工智能时代,建立能够有效处理复杂数据的模型和算法,以从数据中获取有用的信息和知识是应用数学、统计学和计算机科学面临的共同难题.为复杂数据建立生成模型并依据这些模型进行分析和推断是解决上述难题的一种有效手段.从一种宏观的视角来看,无论是应用数学中常用的微分方程和动力系统,或是统计学中表现为概率分布的统计模型,还是机器学习领域兴起的生成对抗网络和变分自编码器,都可以看作是一种广义的生成模型.随着所处理的数据规模越来越大,结构越来越复杂,在实际问题中所需要的生成模型也变得也越来越复杂,对这些生成模型的数学结构进行精确地解析刻画变得越来越困难.如何对没有精确解析形式(或其解析形式的精确计算非常困难)的生成模型进行有效的分析和推断,逐渐成为一个十分重要的问题.起源于Bayes统计推断,近似Bayes计算是一种可以免于计算似然函数的统计推断技术,近年来在复杂统计模型和生成模型的分析和推断中发挥了重要作用.该文从经典的近似Bayes计算方法出发,对近似Bayes计算方法的前沿研究进展进行了系统的综述,并对近似Bayes计算方法在复杂数据处理中的应用前景及其和前沿人工智能方法的深刻联系进行了分析和讨论.
-
关键词
近似Bayes计算
生成模型
深度学习
不确定性推断
-
Keywords
approximate bayesian computation
generative model
deep learning
uncertainty inference
-
分类号
O357.41
[理学—流体力学]
-
