XiaoMi-AI文件搜索系统
World File Search SystemBayesian
用于目标识别的贝叶斯多传感器数据融合
摘要：军事指挥和控制系统必须处理各种不同的传感器和来源。除了传统信息源（如 IFF、战术数据链和 ESM 传感器）之外，AIS、蓝军跟踪和 GMTI 雷达等其他来源也成为目标识别和分类的重要来源。正确识别是防止误伤和平民附带损害以及完成态势感知的重要先决条件。本文概述了我们扩展贝叶斯识别过程的解决方案，以便为海军以及空中和地面目标建立战术图景。对于一些传感器和重要的识别源，如自动识别系统 (AIS)、自动目标识别 (ATR) 和 GMTI 雷达，我们将详细介绍解决方案。
贝叶斯网络在智能方面的应用调查... - arXiv
摘要 本文从决策的角度回顾了贝叶斯网络在智能自动驾驶汽车 (IAV) 中的应用，这代表了完全自动驾驶汽车（目前正在讨论）的最后一步。到目前为止，在为自动驾驶汽车 (AV) 做出高级决策时，人类拥有最终决定权。基于本文引用的作品和此处进行的分析，推断出一般决策框架的模块及其变量。实验室中已经进行了许多努力，表明贝叶斯网络是一种有前途的决策计算机模型。进一步的研究应该朝着在真实情况下测试贝叶斯网络模型的方向发展。除了应用之外，还介绍了贝叶斯网络基础知识，作为开发具有高级判断能力的 IAV 时需要考虑的因素。
DNN 辅助基于粒子的贝叶斯联合同步与定位
摘要 — 在本文中，我们提出了一种基于深度神经网络辅助粒子滤波器 (DePF) 的方法来解决超密集网络中的移动用户 (MU) 联合同步和定位 (sync&loc) 问题。具体而言，DePF 在 MU 和接入点 (AP) 之间部署了一种非对称时间戳交换机制，传统上，该机制为我们提供有关 MU 时钟偏移和偏差的信息。然而，AP 和 MU 之间的距离信息也是交换时间戳所经历的传播延迟所固有的。此外，为了估计接收到的同步数据包的到达角，DePF 利用多信号分类算法，该算法以同步数据包所经历的信道脉冲响应 (CIR) 为输入。CIR 还用于确定链路条件，即视距 (LoS) 或非视距。最后，为了执行联合同步和定位，DePF 利用粒子高斯混合，允许对上述信息进行基于粒子和参数贝叶斯递归滤波 (BRF) 的混合融合，从而联合估计 MU 的位置和时钟参数。模拟结果验证了所提出的算法优于最先进的方案，尤其是基于扩展卡尔曼滤波器和线性化 BRF 的联合同步和定位。特别是，仅利用来自单个 AP 的同步时间戳交换和 CIR，在 90% 的情况下，绝对位置和时钟偏移估计误差分别保持在 1 米和 2 纳秒以下。
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。
成为贝叶斯人在在线保形预测中的重要性
1一个示例是分类，其中得分函数通常是每个候选标签的SoftMax得分（r = 1）。它是积极的定向：较大意味着模型更确定候选标签是真实的标签。对于回归，更常见的是使用负面的分数函数，这意味着等式中的不平等。（1）被逆转。2这个扩展的摘要着重于边缘CP。更一般地，CP算法可以预测R t（X t，α）。
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。
不断发展的二氧化碳排放的动态贝叶斯网络...
摘要 - 全球变暖是一个重大挑战。在贡献者中，CO 2排放是最重要的，几乎40％的全球排放来自发电。从这个意义上讲，可以使用传统和可再生能源的多源系统中的CO 2排放进行准确的预测，可用于支持碳排放的减少，而不会影响能源需求供应。尽管在该主题中进行了几项相关的研究，但由于可再生能源的间歇性性质引起的更高的不确定性和可变性，因此CO 2启动在多源发电系统中预测是当前的挑战。本文介绍了使用不断发展的动态贝叶斯网络的多源发电系统的CO 2排放预测。我们的提案使用分析阈值来选择数据到达时出现频率的有向边缘，从而使恒定的适应能够平滑地收敛为强大的预测模型。它是使用比利时，德国，葡萄牙和西班牙的多源发电系统的实际数据进行了测试的。将其性能与其他预测方法进行了比较。将结果与不演变结构随时间发展的传统DBN进行比较，我们的提议卓越强调了绩效提高的贡献。与ANN和XGBOOST进行比较时，提出的方法更好，性能具有统计学意义的差异。
美国经济的大型贝叶斯 VAR
Crump, Sbordone：纽约联邦储备银行（电子邮件：richard.crump@ny.frb.org、argia.sbordone@ny.frb.org）。Eusepi：德克萨斯大学奥斯汀分校（电子邮件：stefano.eusepi@austin.utexas.edu）。Giannone：亚马逊（电子邮件：dgiannon2@gmail.com）。Qian：普林斯顿大学（电子邮件：ericqian@princeton.edu）Giannone 对本文的贡献是在作者加入亚马逊之前完成的。本出版物及其内容与亚马逊无关，不反映该公司及其子公司的立场。本文介绍了初步调查结果，并分发给经济学家和其他感兴趣的读者，仅用于激发讨论和征求意见。本文表达的观点为作者的观点，不一定反映纽约联邦储备银行或联邦储备系统的立场。任何错误或遗漏均由作者负责。
错觉、妄想和你的逆向贝叶斯大脑
摘要 视网膜图像不足以确定“外面”是什么，因为许多不同的现实世界几何形状都可以产生任何给定的视网膜图像。因此，视觉系统必须根据感官数据和先验知识（无论是天生的还是通过与环境的交互学习的）推断出最有可能的外部原因。我们将描述我们和其他人用来探索皮质间反馈在视觉系统中的作用的“分层贝叶斯推理”的一般框架，我们将进一步论证这种“观察”方法使我们的视觉系统容易以各种不同的方式出现感知错误。在这个故意挑衅和有偏见的观点中，我们认为神经调节剂多巴胺可能是执行贝叶斯推理的神经回路与精神分裂症患者的感知特质之间的关键联系。© 2021 S. Karger AG，巴塞尔
I-II期临床试验的贝叶斯设计I-II期临床试验的贝叶斯设计
现实：这些试验结果都非常不可靠•PR（TOX | D = MTD）的95％CI从.01到.52•毒性严重程度均被忽略。•疗效被忽略。如果PR（响应| D = 200）= .25和PR（响应| D = 300）= .50怎么办？