导读:本文包含了贝叶斯优化算法论文开题报告文献综述、选题提纲参考文献，主要关键词:算法,网络,新安江,粒子,传感器,计量学,蜂群。
贝叶斯优化算法论文文献综述写法
刘浩然,孙美婷,王海羽,张力悦,范瑞星[1]（2019）在《基于分类优化贝叶斯结构算法的篦冷机参数状态分析及其算法收敛性分析》一文中研究指出针对种群算法建立贝叶斯结构存在参数多、易陷入局部最优的问题,提出一种改进贝叶斯结构学习算法。该算法将候选结构分为优劣解集,利用师生交流机制优化优解集保留精英个体,利用变异机制优化劣解集来增加结构多样性,从而加快算法收敛速度,并在准确率和运行时间上达到平衡。最后不仅利用马尔科夫链证明该算法是全局收敛的,而且通过仿真实验验证了所提出算法的性能。将该算法应用到水泥篦冷机的实际数据中,构建水泥篦冷机工艺参数的贝叶斯网络结构,并完成篦冷机参数状态分析。(本文来源于《计量学报》期刊2019年04期）
刘浩然,张力悦,范瑞星,王海羽,张春兰[2]（2019）在《基于改进鲸鱼优化策略的贝叶斯网络结构学习算法》一文中研究指出针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。(本文来源于《电子与信息学报》期刊2019年06期）
周闫明,石朋,瞿思敏,陈学秋,薛丰[3]（2019）在《基于贝叶斯优化算法的新安江模型参数优化及应用》一文中研究指出鉴于参数优化是保证水文模型预报效果的重要途径,以息县流域为例,采用贝叶斯优化算法对新安江模型参数进行优化,并与遗传算法进行比较。结果表明,在息县流域日径流预报问题上,贝叶斯优化算法相比遗传算法效率提升显着,精度略优于遗传算法,非常适用于解决新安江模型参数优化问题。(本文来源于《水电能源科学》期刊2019年05期）
梅琳[4]（2019）在《基于改进狼群算法优化贝叶斯网络在害虫识别领域中的应用》一文中研究指出国民经济发展最基础的就是农业,农业的发展与我们的生活息息相关。而农业病虫害,则是掣肘农业发展的主要原因之一。对害虫进行防治的主要方法有农药,天敌及生物趋避叁种,其中最常用的就是农药防治法。但是,盲目的使用农药,有的时候,不仅不能有效的防治害虫,反而会破坏土壤,烧苗,污染水源,导致农作物的产出下降,甚至对人类的健康带来很大的威胁。然而,害虫的种类是非常繁杂的,传统的害虫识别方法,仅仅依靠人的肉眼,根据其看到的害虫特征对害虫进行分类往往是客观片面的,且非常依赖人工,费时费力。因此,害虫的分类和识别已经成为一个迫在眉睫的问题。只有准确分类,才能做到控制作物病虫害。我们提出一种基于改进狼群算法优化贝叶斯网络的害虫图像识别方法,对于具有复杂背景的图像,我们首先采用GrabCut算法进行自动分割,然后再对其进行灰度处理,保存到数据文件中,形成数据集,用于模型的训练和测试。其次再用预训练好的卷积神经网络,提取训练集和测试集上的图像特征,输入贝叶斯网络。然后对传统的狼群算法进行改进,将其作为搜索算法,贝叶斯信息准则(Bayesian Information Criterion,BIC)作为评分函数,学习贝叶斯网络的结构。然后再用极大似然(Maximum Likelihood,ML)算法学习贝叶斯网络的参数,形成贝叶斯分类器。本文的主要研究工作如下:1.提出一种改进的二进制狼群算法(Improved binary Wolf Pack Algorithm,I-BWPA)对狼群算法进行改进,在探狼的游走行为中加入突变算子,在召唤行为中加入逼近算子,并在围攻行为中加入交互算子。并且在狼群的更新步骤中,提出利用混沌映射的方式生成新的人工狼替换淘汰的人工狼。2.基于改进的二进制狼群算法的贝叶斯网络结构学习优化算法(Bayesian Network Construction algorithm using I-BWPA,BNC-I-BWPA)贝叶斯网络结构可以用邻接矩阵来表示,其对应的结构矩阵编码为{x11,x12,...,x1n,x21,x22,...,x2n,...,xn1,xn2,...,xnn}。然后再运用改进的二进制狼群算法作为搜索算法,BIC作为评分函数,寻求最优的贝叶斯网络结构。3.结合卷积神经网络与贝叶斯网络进行害虫图像的识别处理用预训练好的卷积神经网络对训练集和测试集的图片进行特征提取,输入训练集上提取的特征属性和分类,用BNC-I-BWPA进行贝叶斯网络结构的学习,然后再运用ML进行贝叶斯网络参数的学习,形成一个与输入数据集最匹配的贝叶斯网络,将其作为贝叶斯分类器。将测试集上提取好的特征属性和分类输入贝叶斯分类器,对贝叶斯分类器进行测试。(本文来源于《吉林大学》期刊2019-05-01）
宋蕾[5]（2019）在《优化贝叶斯的数据融合算法》一文中研究指出本文提出了一种优化贝叶斯的数据融合算法,针对于多个同质传感器对同一被测量的数据进行研究与分析,通过实例分析,从数据的准确性角度来验证本文算法的可靠性。(本文来源于《电子技术与软件工程》期刊2019年06期）
余忠伟[6]（2019）在《面向频率选择表面吸波体的数据库开发与贝叶斯优化算法研究》一文中研究指出通过吸波材料降低雷达散射截面积(Radar Cross-Section,RCS)是实现雷达隐身的重要举措之一,频率选择表面(Frequency Selective Surface,FSS)作为一种新型结构型吸波材料,在RCS缩减方面发挥着重要的作用。影响频率选择表面电磁性能的结构参数众多,如何对频率选择表面吸波体的参数之间进行有效分析、设计出满足特定目标频段的频率选择表面结构已经成为学者关注的热点。本文开发了面向频率选择表面吸波体的数据库,扩展了相关数据分析功能,研究了贝叶斯优化算法并完成了单方环频率选择表面吸波体优化,为频率选择表面吸波体的设计提供技术基础。基于数据库系统,完成了无源频率选择表面吸波体和有源频率选择表面吸波结构数据处理模块,无源频率选择表面的数据处理主要是通过对数据库中的无源模型数据进行性能评价,有源FSS的处理是将多种频率响应状态进行迭加处理,得到反射率包络线。通过降维技术,分析了吸波体结构变量之间的变化对吸波性能、频带宽度、吸收峰的幅值、吸收峰的频点等影响,从而得到FSS吸波体的设计规律。研究了贝叶斯优化算法(Bayesian Optimization Algorithm,BOA)的数学原理,它通过概率统计学的方法创建函数分布模型,在模型中寻找最优解的位置,极大地提高了优化效率。为了测试该算法的优化效率,设计了单方环频率选择表面吸波结构,优化目标频段为4-8GHz,结果显示两种算法都实现了优化目标,但BOA的优化效率更高,说明了贝叶斯优化算法在频率选择表面优化中具有应用价值。(本文来源于《华中科技大学》期刊2019-01-01）
邱宁佳,李娜,胡小娟,王鹏,孙爽滋[7]（2018）在《基于粒子群优化的朴素贝叶斯改进算法》一文中研究指出针对朴素贝叶斯(NB)算法因条件独立性的理想式假设引起分类性能降低的问题,提出一种改进的粒子群优化-朴素贝叶斯(PSO-NB)算法。在文本预处理时,引入权重因子、类内和类间离散因子进行属性约简,基于NB加权模型,将条件属性的词频比率作为其初始权值,利用PSO算法迭代寻找全局最优特征权向量,并以此权向量作为加权模型中各个特征词的权值生成分类器。运用经典数据集对PSO-NB算法进行性能分析,结果表明,改进算法可有效减少冗余属性,降低计算复杂度,具有较高的准确率和召回率。(本文来源于《计算机工程》期刊2018年11期）
康健,靳斌,段秀娟,尚小华,栗玮[8]（2018）在《基于贝叶斯-粒子群算法的微电网优化运行》一文中研究指出针对目前微网调度难于全局最优收敛的问题,从概率网络的角度出发,将贝叶斯网络(Bayesian Network,BN)理论与粒子群算法(Particle Swarm Optimization,PSO)相结合,提出了基于贝叶斯-粒子群算法(BN-PSO)的微电网优化运行新策略。首先建立了微网数学模型和系统约束条件,考虑风能和光伏系统的概率分布情况,引入可再生因子和单位电力生产成本,以实现微网系统满足节能减排条件下的总费用最低的优化目标。最后以一个典型的微网系统进行算例仿真分析。结果表明:BN-PSO算法能有效解决包含随机概率事件的新能源微网优化运行问题,是解决此类问题的一个新思路;与目前的主流算法相比,BN-PSO算法能克服局部最优的缺陷,实现快速收敛。(本文来源于《电力系统保护与控制》期刊2018年12期）
李叶紫[9]（2018）在《基于互信息和贝叶斯最优化的两种特征选择算法》一文中研究指出随着机器学习和大数据的兴起,传统的数据挖掘方法,存在学习率相对偏低和算法准确率相对不高的问题,其中的一个重要原因是因为数据特征维度过高.特征选择是目前机器学习领域内比较常见的数据降维方法.特征选择指的是从原始的特征集合中选择部分特征,通过某种评价标准使得机器学习中的分类或者回归算法达到最优结果的方法.现有的特征选择方法大多数是基于单一目标T的依赖性或特征与特征之间对Y影响的关联性,互补性和冗余性进行特征选择.然而这些方法几乎都没有考虑到组合特征,同时传统的机器学习算法的参数寻优方法,通常先有一个惩罚函数,然后运用经验或者穷举法调整参数来最大化或最小化这个惩罚函数,但是经常会遇到参数多、数据量大、特征多的情况,此时就需要有一种行之有效的参数寻优办法.本文主要从两个方法对特征选择算法进行改进.一、基于互信息的一种组合特征选择算法由于现有的方法都没有考虑到组合特征,如属性A,B仅包含Y中的极少量信息,甚至与Y完全独立,但A&B能提供关于Y的大量信息,甚至完全决定Y.基于此,提出了一种能够从特征集合中挖掘到组合特征与单一特征的特征选择算法,首先对不显着特征进行组合并按照条件概率分布表生成新的候选特征;然后,对单一特征和组合特征利用基于最大相关性和最小冗余度的准则进行选择;最后分别在虚拟和真实数据集上进行实验,实验结果表明该特征选择算法能够较好的挖掘数据集的组合特征信息,一定程度上提高了相应的机器学习算法的准确率.二、一种新的基于贝叶斯最优化的Xgboost算法在使用Xgboost框架时,经常涉及各种参数的调整,并且参数组合的选取对模型的分类性能影响较大.传统的参数寻优方法,是先有一个惩罚函数,然后运用经验或者穷举法调整参数值来最大化或最小化这个惩罚函数,但是经常会遇到某个模型没有一个显式的表达式的情况,比如“黑盒”问题.这类模型的参数寻优就非常麻烦,同时又会给算法带来一定的不确定性和随机性.本文基于高斯法(GP)的贝叶斯最优化算法对Xgboost框架进行参数寻优,提出了一种新的算法GP_Xgboost,并通过在多种数据维度情况下进行了实验.结果表明,本文改进的算法分类效果要优于人工调优和穷举法,从而证明了该算法的可行性和有效性.(本文来源于《广东工业大学》期刊2018-06-01）
付光杰,胡明哲[10]（2018）在《贝叶斯预测蜂群算法在无线传感器网络优化中的应用》一文中研究指出针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。(本文来源于《重庆大学学报》期刊2018年05期）
贝叶斯优化算法论文开题报告范文
（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：
针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。
（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。
贝叶斯优化算法论文参考文献
[1].刘浩然,孙美婷,王海羽,张力悦,范瑞星.基于分类优化贝叶斯结构算法的篦冷机参数状态分析及其算法收敛性分析[J].计量学报.2019
[2].刘浩然,张力悦,范瑞星,王海羽,张春兰.基于改进鲸鱼优化策略的贝叶斯网络结构学习算法[J].电子与信息学报.2019
[3].周闫明,石朋,瞿思敏,陈学秋,薛丰.基于贝叶斯优化算法的新安江模型参数优化及应用[J].水电能源科学.2019
[4].梅琳.基于改进狼群算法优化贝叶斯网络在害虫识别领域中的应用[D].吉林大学.2019
[5].宋蕾.优化贝叶斯的数据融合算法[J].电子技术与软件工程.2019
[6].余忠伟.面向频率选择表面吸波体的数据库开发与贝叶斯优化算法研究[D].华中科技大学.2019
[7].邱宁佳,李娜,胡小娟,王鹏,孙爽滋.基于粒子群优化的朴素贝叶斯改进算法[J].计算机工程.2018
[8].康健,靳斌,段秀娟,尚小华,栗玮.基于贝叶斯-粒子群算法的微电网优化运行[J].电力系统保护与控制.2018
[9].李叶紫.基于互信息和贝叶斯最优化的两种特征选择算法[D].广东工业大学.2018
[10].付光杰,胡明哲.贝叶斯预测蜂群算法在无线传感器网络优化中的应用[J].重庆大学学报.2018