贝叶斯决策毕业论文

网上搜集 仅供参考目前学术不端检测系统比较完善，在撰写论文时一定要避免抄袭《科技传播》杂志 国家级科技学术期刊中英文目录知网万方全文收录编辑部直接收稿百度空间有期刊详细信息摘 要 本文论述了目前国内外汽车安全气囊控制的一些主要算法，并解释了该算法中的核心内容和研究特点。在结合传统方法的同时，提出了两种新的算法——数据融合控制算法和模式识别控制方法。 关键词 安全气囊；汽车碰撞；数据融合；模式识别1 引言 汽车安全气囊的应用拯救了许多乘员的生命。但随着汽车的应用越来越多，气囊错误弹出的情况也时有发生，这样反而会威胁到乘员的安全，所以必须提高安全气囊的控制性能。因此，我们也需要进一步研究气囊控制算法。 汽车安全气囊技术发展到今天，其优劣已经不在于是否能够判断发生碰撞和实现点火，现代的安全气囊控制的关键在于能够在最佳时间实现点火和对于非破坏性碰撞的抗干扰。只有实现最佳时间点火，才能够更好的保护驾驶员和乘客。 最佳时间的确定在于当汽车发生碰撞的过程中，乘员向前移动接触到气囊，此时气囊刚好达到最大体积，这样的保护效果最好。如果点火慢了，则乘员在接触气囊的时候，气囊还在膨胀，这样会对乘员造成额外的伤害。如果点火快了，乘员在接触到气囊的时候气囊已经可以萎缩，则气囊不能对乘员的碰撞起到最好的缓冲作用，也就不能很好的起到对乘员的保护作用。图1 气囊示意图 第二个是气囊的可靠性问题，也就是对于急刹车、过路坎和其他非破坏性碰撞时引起的冲击信号的抗干扰。汽车在颠簸路面上行驶或以很低速度的碰撞产生的加速度信号可能会令气囊误触发，一个好的控制系统应该能够很好的识别这些信号，从而在汽车产生非破坏性碰撞时不会使气囊系统误打开。 第三个就是气囊控制技术的基本指标，包括避免以下情况：①气囊可能在很低的车速时打开。车辆在很低车速行驶而发生碰撞事故时，只要驾驶员和乘员系上了安全带，是不需要气囊打开起保护作用的。这时气囊的打开造成了不必要的浪费。②当乘客偏离座位或座位上无人，气囊系统的启动不仅起不到应有的保护作用，还可能对乘客造成一定伤害[1]。2 安全气囊点火控制的几种算法 1) 加速度法 该算法是通过测量汽车碰撞时的加速度（减速度），当加速度超过预先设定的阈值就弹出安全气囊。 2) 速度变量法 该算法是通过对汽车加速度进行积分从而得到加速度变化量，当加速度变化量超过预先设定的阈值时就弹出安全气囊。 3) 加速度坡度法 该方法是对加速度进行求导得到加速度的变化量作为判断是否点火的指标。 4) 移动窗积分算法[2] 对加速度曲线在一定时间内进行积分，当积分值超过预先设置的阈值时，就发出点火信号。 移动窗积分算法 下面具体介绍一下移动窗积分算法，选定以下几个观察量作为气囊点火的条件指标。①汽车碰撞时的水平方向加速度（或减速度）ax。ax是直接反映碰撞激烈程度的信号，而且ax在最佳点火时刻的选取中起关键作用。②汽车碰撞时垂直方向的加速度ay，气囊控制系统加入ay对非碰撞信号能起到很大的抗干扰作用，当汽车发生正向碰撞时，ay与ax有很大的不一致性[3]；而当汽车受到路面干扰，例如汽车与较高的台阶直接相撞时，ay与ax有很大的一致性[3]，可以由此来判别干扰信号。结合这几个量，得出一个判断气囊点火的最佳指标。 需要采样一个时间段（从碰撞开始）ax的值，根据这一系列的值才能判断碰撞的激烈程度. 气囊点火控制算法应在发生碰撞后20～30ms内做出点火判断，因为气囊膨胀到最大需要时间大概为30ms[4]，在碰撞初速度为时，人体向前移动5inch到达接触气囊的时间大概为70ms，则目标点火时刻为70－30＝40ms，所以气囊打开应该在碰撞后的40ms时刻，所以算法必须在20～30ms内做出点火决定。这样可以采样碰撞后的20个加速度值（频率是1kHZ）作为算法的输入值。而对于垂直方向也可以如此采样。则可得两组值：ax(1)，ax(2)……ax(20)；ay(1)，ay(2)……ay(20). 移动窗算法中对ax的处理为（1）式： (1)图2 移动窗口算法示意图 其中t为当前时刻，w为时间窗宽度（采样时间宽度），对ax(t)进行积分，得到指标S(t，w)，当S(t，w)超过预先设定值时，则发出点火信号。 写成离散形式，如式(2)： (2) n为当前时间点，k为采样点数，f为采样频率。 加上垂直加速度之后，可以提高对路面干扰的抗干扰能力[3]，形式如式(3)： (3) S(n，k，ρ)为双向合成积分量，n，f，k如上定义；ρ为合成因数，表征两个方向加速度在合成算法中的权重。这种算法主要是考虑了汽车碰撞时的加速度因素，当加速度的积分达到一定值的时候，表示汽车的碰撞剧烈程度也到达一定值，会给乘员带来一定伤害。而且这种算法对于判断最佳点火时刻也是很有优势的，经过实验，利用这种算法得出的点火时刻离汽车碰撞的最佳点火时刻（利用摄像得出）仅差几毫秒[2]，符合要求的精度。 但是这种算法也有其不足，例如没有考虑碰撞时的速度以及座位上有没有人的因素，这样当汽车低速运行的时候，还是有可能引起误触发。如果将速度和座位上是否有人的信号引入，则可以进一步减少误触发的机会。 利用数据融合提出的改进算法 由上面的叙述中我们可以知道，移动窗积分算法对于气囊弹出与否进行判断主要是根据积分量S，现在我们对积分量进行一些改造，可以克服上述缺点。具体做法如下，加入以下几个观察量：（1）汽车碰撞时的水平方向速度v，v可以反映汽车碰撞时乘客的受伤害程度。v越大，乘客的动能就越大，碰撞时受到的伤害就越大。v是判断气囊是否应该打开的最直接的指标。（2）坐位上是否有乘员的信号[5]。坐位上无人时，当发生碰撞则可以不弹出气囊，这样做可以减少误触发的几率，同时避免对其他乘员的伤害。 引入函数，这个函数的波形为：图3 函数波形图 当v超过30km/h的时候，y的值就大于1；反之就小于1。现在普遍采用的标准是，安全带配合使用的气袋引爆车速一般为：低于20km/h正面撞击固定壁时，不应点爆。而在大于35km/h碰撞时，必须点爆。在20km/h和35km/h之间属于可爆可不爆的范围。所以我们取v0＝30km/h为标准点，这样结合上面的移动窗积分算法，提出新的S1，则S1为： (4) 这样当v>v0时，汽车点火引爆的灵敏度就比原来大了；而vv0时引爆气囊的灵敏度不需要太大，可以适当调整的系数为1/∏，此时y函数图形如图4。 由图4可看到，采用增加了速度函数的算法后，使到v>v0时的灵敏度适当增加，同时也有效的减少了v P(w2|x)，则把x归类于弹出状态w1，反之P(w1|x)

网页链接

对于一个数据进行分类，那么数据的属性信息称为x，如果知道后验概率的情况下即能得到确定x的情况下分类为ci的概率。这时我们还需要一个损失的权值，λij称为i错判为j的损失（λii为0，一般λij都相等=1但具体情况可以具体分配），由前边得到的后验概率来乘上这个λ的参数这就叫做条件风险（conditional risk）。

那么我们可以设计一个映射关系h，从x->c可以将结果带入条件风险，求整体风险最小。 但是其中后验概率很难在现实任务中取到，所以引入机器学习的目标的就是去训练这样一个后验概率（从大量的样本数据中）当然也有两种方式：

可以看到前边判别类别的决策树，bp，svm都是判别式模型。（从这里看出我们的终极目标还是去计算 p(c|x) ，符合现实的要求。）

根据贝叶斯定理，要求联合概率分布，可以通过 p(c )*p(x|c)/p(x) 来得到，前者是类先验概率，后者是类条件概率，或者称似然。 p（x） 是用于归一化的证据因子，对于给定的样本x，证据因子和类标记无关。（证据因子的存在知识为了保证各类别的后验概率的总和为1,所以在固定x的情况下这一项相当于常数，在比较时不做考虑）

但如果x样本的属性很多或者是一个连续值，那么样本个数是不可能完全模拟到所有的取值的，更不用说还要去计算他们出现的联合概率了，也就是说得到的 p(x|c) 会有很多零值。 那么无法通过样本来进行模拟分布，可以用mle（极大似然估计）的方法，通过设定一个通用的分布函数（如：正态分布，不一定是正态，所以这个假设存在一定误差，或者说我们在指定假设分布形式时需要参考一定的先验知识（也就是我们训练数据的风格））然后通过训练分布中的参数来让极大似然最大。

1.朴素贝叶斯分类器：（naïve bayes classification） 条件： 将所有的属性假设为相互独立也就是每个属性独立地对分类结果发生影响，这个想法很天真，很梦幻。 当然有了这个假设就很好计算了，计算联合分布的过程：通过训练集D来得到类先验概率然后再得到类条件概率。对于离散的取值数据量够可以直接用取值在训练集D中的概率直接估计，对于离散取值过多，或者是连续取值的情况可以用最大似然来做估计。 然后通过计算和比较 p（c=1，x) 和 p（c=2,x) 的大小，来或者最后输出c是判为1还是2。 因为离散取值会因为在数据集中找不到而变成概率为0，这样会影响所有的判断，这样就可以通过一个平滑处理（如：拉普拉斯修正）来将其修正为 （Dci+1）/（Dc+Nx） ，Dci为类别为c，x属性取值为i的个数，Nx为属性x的可能的取值数。同理对于类先验也要进行平滑处理。（这样的平滑操作算是一种先验，而且随着样本集增大影响逐渐减少的趋向于真实值。）

2.半朴素贝叶斯分类器（semi-naïve bayes classification） 条件： 既然所有属性都假设为相互独立过于天真，那么我们假设一种独依赖，也就是假设每一个属性在类别之外最多仅依赖于一个其他属性。我们称这种假设为semi-naïve 的假设。 那么这样的独依赖也会有一些设计的方式: 1.都依赖于一个相同的父属性(SPODE); 2.随机依赖于除自己以外的其他的属性，但要让生成的树达到最大的权值（权值由两个属性之间的条件互信息来决定），构成最大带权生成树（TAN）。 但是因为有无环的性质，所以无论哪一种最后一定会有一个属性是没有父依赖的。

3.非朴素贝叶斯--贝叶斯网络：（放弃之前“天真”的假设）

条件： 前边半朴素通过图连接来刻画属性之间的依赖关系，那么同样贝叶斯网络也在用这种有向无环图来刻画属性之间的依赖关系，并用条件概率表（CPT，conditional probability table）作为边的参数也就是（整个贝叶斯网络的参数）主要是子属性和父属性相对应的条件概率。而一个属性他的父属性个数没有任何限制。 问题： 但这样不如上一个半朴素贝叶斯结构基本固定直接遍历搜索空间也不会很大，可以用最大边的方式构建贝叶斯网络，也就是说这样的网络结构很难去构建和生成，主要是用似然损失+构造损失（参数个数*参数的精度）作为损失函数来进行优化，但是这直接求解是一个NP难的问题，这样就有两种方式第一种：贪心法，通过初始化一个网络结构，然后每次调整一个边（增加，删除或调整方向）使得loss变化最大，直到最后评分函数无法在降低。（当然这样的一个初始化网络结构就会变得很重要）第二种：通过给网络结构添加约束，比如将网络结构限定为树形结构等。 方法： 除了之前我们用作的分类问题，还可以做扩展到一个推断的问题，比如蒙着眼摸出西瓜的根蒂，形状，大小，能推断出它的色泽到底是青绿还是黄绿，是好瓜还坏，甜度如何等等。而且还可以直接精确计算出后验概率，但是当网络结点很多，连接又很稠密，而且查询的属性又含有依赖关系的时候，在短时间内计算出准确的结果会很难。所以我们通过借助近似的方式推断结果。（我们只想知道哪种可能性大得多，具体大多少不是我们要求的结论） 这种近似的做法就是吉布斯采样方法，固定我们获得的证据属性E，然后通过初始化一个q0，接着对于q0中的某一个属性根据其他的属性不变，根据计算得到的条件概率进行采样。这是一个马尔科夫链（marcov chain），性质：在经过t次的采样之后，马尔科夫会收敛于一个平稳分布，而这个平稳分布正是我们要求的那个 p（Q|E=e） 的分布。这样我们就可以通过吉布斯采样来得到一个模拟化的分布得到q最有可能的取值。（或者给定q， p（q|E=e） 估计的概率是多少）

隐变量介绍以及解决方法： 上诉还有一个问题那就是属性缺失的情况下怎么办，我们的模型网络还能创建得出来吗？也就是说存在隐变量（latent variable）该怎样解决这样的问题？ EM(Expectation-Maximization）算法是常用的估计参数隐变量的方法。 主要的思想就是：隐变量和模型参数是我们要求的，而二者之间存在相互依赖的关系，也就是不知道隐变量无法求出模型参数，不知道模型参数也无法反推出隐变量。那如果是一种优化迭代算法的话，初始化隐变量，然后训练得到最优的参数，然后通过固定最优的参数再反过来训练到最优的隐变量。直到最后收敛到一个局部最优解。（所以这种算法求解的结果是和 初始值关系比较大的局部最优解，如果能找到一个接近全局最优解的初始值，或者在接受解的概率上做调整不至于过快收敛，可能可以得到一个更好的解。）

参考文献：西瓜书-贝叶斯决策论

贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是：1、已知类条件概率密度参数表达式和先验概率。2、利用贝叶斯公式转换成后验概率。3、根据后验概率大小进行决策分类。他对统计推理的主要贡献是使用了"逆概率"这个概念，并把它作为一种普遍的推理方法提出来。贝叶斯定理原本是概率论中的一个定理，这一定理可用一个数学公式来表达，这个公式就是著名的贝叶斯公式。 贝叶斯公式是他在1763年提出来的：假定B1,B2,……是某个过程的若干可能的前提，则P(Bi)是人们事先对各前提条件出现可能性大小的估计，称之为先验概率。如果这个过程得到了一个结果A，那么贝叶斯公式提供了我们根据A的出现而对前提条件做出新评价的方法。P(Bi∣A)既是对以A为前提下Bi的出现概率的重新认识，称 P(Bi∣A)为后验概率。经过多年的发展与完善，贝叶斯公式以及由此发展起来的一整套理论与方法，已经成为概率统计中的一个冠以“贝叶斯”名字的学派，在自然科学及国民经济的许多领域中有着广泛应用。公式：设D1，D2，……，Dn为样本空间S的一个划分，如果以P(Di)表示事件Di发生的概率，且P(Di)>0(i=1，2，…，n)。对于任一事件x，P(x)>0，则有： nP(Dj/x)=p(x/Dj)P(Dj)/∑P(X/Di)P(Di)i=1( ）贝叶斯预测模型在矿物含量预测中的应用 贝叶斯预测模型在气温变化预测中的应用 贝叶斯学习原理及其在预测未来地震危险中的应用 基于稀疏贝叶斯分类器的汽车车型识别 信号估计中的贝叶斯方法及应用 贝叶斯神经网络在生物序列分析中的应用 基于贝叶斯网络的海上目标识别 贝叶斯原理在发动机标定中的应用 贝叶斯法在继电器可靠性评估中的应用 相关书籍: Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》 Springer 《贝叶斯决策》 黄晓榕 《经济信息价格评估以及贝叶斯方法的应用》 张丽 , 闫善文 , 刘亚东 《全概率公式与贝叶斯公式的应用及推广》 周丽琴 《贝叶斯均衡的应用》 王辉 , 张剑飞 , 王双成 《基于预测能力的贝叶斯网络结构学习》 张旭东 , 陈锋 , 高隽 , 方廷健 《稀疏贝叶斯及其在时间序列预测中的应用》 邹林全 《贝叶斯方法在会计决策中的应用》 周丽华 《市场预测中的贝叶斯公式应用》 夏敏轶 , 张焱 《贝叶斯公式在风险决策中的应用》 臧玉卫 , 王萍 , 吴育华 《贝叶斯网络在股指期货风险预警中的应用》 党佳瑞 , 胡杉杉 , 蓝伯雄 《基于贝叶斯决策方法的证券历史数据有效性分析》 肖玉山 , 王海东 《无偏预测理论在经验贝叶斯分析中的应用》 严惠云 , 师义民 《Linex损失下股票投资的贝叶斯预测》 卜祥志 , 王绍绵 , 陈文斌 , 余贻鑫 , 岳顺民 《贝叶斯拍卖定价方法在配电市场定价中的应用》 刘嘉焜 , 范贻昌 , 刘波 《分整模型在商品价格预测中的应用》 《Bayes方法在经营决策中的应用》 《决策有用性的信息观》 《统计预测和决策课件》 《贝叶斯经济时间序列预测模型及其应用研究》 《贝叶斯统计推断》 《决策分析理论与实务》