冷翠平
- 作品数：22 被引量：38H指数：3
- 供职机构：上海立信会计学院数学与信息学院更多>>
- 发文基金：国家自然科学基金上海市教育委员会重点学科基金上海市教育委员会创新基金更多>>
- 相关领域：自动化与计算机技术理学语言文字建筑科学更多>>
- 可能网络结构学习的依赖分析方法研究
- 2009年
- 贝叶斯网络是概率理论与图形模式的结合,被广泛用于不确定性问题求解,但不具有处理不准确性信息的能力。可能网络是可能理论、概率理论与图形模式的结合,可弥补贝叶斯网络这方面的不足。首先介绍关于可能网络的一些概念,并与贝叶斯网进行比较,然后给出一种基于依赖分析的可能网络结构学习方法。
- 冷翠平王双成
- 关键词：贝叶斯网络集值
- 面向高校计算机专业的专业外语教学体系研究被引量：3
- 2011年
- 在分析专业外语教学重要性的基础上，指出单纯依靠《计算机专业英语》课程提高学生专业外语能力的不足，提出结合专业课程开展双语教学可以取得更好的教学效果，进而给出了一个面向计算机专业的专业外语教学体系框架，就如何做好专业外语教学提出几点建议。
- 冷翠平杨超张明
- 关键词：计算机专业专业英语教学体系
- 连续属性一阶贝叶斯衍生分类器学习与集成
- 2015年
- 依据copula和贝叶斯网络理论,将高斯copula函数、引入平滑参数的高斯核函数和以分类器的分类准确性为标准的属性父结点贪婪选择等相结合,综合考虑效率和可靠性,进行连续属性一阶贝叶斯衍生分类器学习、优化和集成.使用UCI数据库中连续属性分类数据进行实验,结果显示,经过优化和集成的一阶连续属性贝叶斯衍生分类器具有良好的分类准确性.
- 王双成高瑞冷翠平
- 关键词：分类器集成贝叶斯网络
- 无向马尔科夫毯分类器与集成
- 2008年
- 无向马尔科夫毯结构是属性和类变量之间的最重要依赖结构之一,建立无向马尔科夫毯分类器的核心是无向马尔科夫毯结构学习。针对现有无向马尔科夫毯结构学习方法具有低效率和可靠性,以及不具实用性等问题,基于贝叶斯网络理论、马尔科夫网络理论和依赖分析方法进行具有多项式复杂度的无向马尔科夫毯结构和分类器学习,来避免这些问题。并建立最优性定理、可转换定理、可靠性定理和局部化定理为其提供理论依据。同时,对小例子集情况,给出了近似学习方法,并将无向马尔科夫毯分类器扩展为联合分类器,以有效地进行小例子集分类。
- 王双成冷翠平刘凤霞
- 关键词：分类器贝叶斯网络
- 网络化系统的鲁棒控制及群体行为研究
- 本文研究了离散网络化控制系统(NCSs)的镇定、鲁棒控制以及数字网络下群体的行为。
第一，研究了基于打包的网络化系统的镇定。对输入输出数据均打包的离散网络化系统的控制器进行了设计，对相应的闭环系统的稳定性进行了...
- 冷翠平
- 关键词：网络化控制系统鲁棒控制线性矩阵不等式队形控制时滞
- 基于结点排序和打分-搜索的多阶转换网学习
- 针对现有的学习方法主要用于一阶转换网，并要求存在具有大量完全时间对称例子的两个相邻时间片数据集，而在现实中很难满足这一条件，且对于多变量复杂转换网，效率和可靠性也很难得到保障等问题，在给出多阶数据集构造方法的基础上，通过...
- 王双成冷翠平王辉
- 关键词：动态贝叶斯网络
- 小数据集的贝叶斯网络结构学习被引量：19
- 2009年
- 针对直接基于小数据集贝叶斯网络结构学习不可靠,以及目前对小数据集的处理只强调扩展而忽略对扩展数据的修正等,提出了将扩展与修正相结合的小数据集处理机制,以及在此基础上的基于结点排序和局部打分-搜索的贝叶斯网络结构学习方法,可不需要完全结点顺序的先验知识,但能够结合专家的部分结点顺序信息,实验结果显示了这种方法的有效性和可靠性。
- 王双成冷翠平李小琳
- 关键词：贝叶斯网络
- 不确定离散时滞网络化系统的鲁棒H_∞控制
- 2008年
- 研究了不确定离散时滞网络系统的鲁棒H∞控制问题。在假设数据丢失过程是一个独立同分布过程的情况下,运用随机Lyapunov函数方法,得到了网络化系统均方渐近稳定且满足给定H∞性能指标的充分条件,并利用线性矩阵不等式方法给出镇定控制器的设计,仿真表明该方法的有效性。
- 冷翠平
- 关键词：网络控制系统鲁棒H∞控制时滞线性矩阵不等式
- 基于局部解释能力的贝叶斯网络隐藏变量学习被引量：1
- 2009年
- 目前,在贝叶斯网络中插入隐藏变量的主要目的是简化贝叶斯网络结构,从而提高推理效率,但隐藏变量使用不当会降低推理的可靠性.本文以提高贝叶斯网络的局部最优解释推理能力为标准插入隐藏变量,并将最优解释、星形结构和G ibbs抽样相结合来确定隐藏变量的位置、取值和维数,因此,通过隐藏变量的引入,在能够提高推理效率的同时,还可改进推理的可靠性.
- 王双成冷翠平刘凤霞
- 关键词：贝叶斯网络GIBBS抽样
- 贝叶斯网络适应性学习被引量：4
- 2009年
- 在现实中,随着对领域问题认识的深入,往往需要对贝叶斯网络进行调整,以使贝叶斯网络模型能够更好地反映实际问题.但调整后的贝叶斯网络中一些新参数需要根据原有贝叶斯网络来确定,目前缺乏对新参数学习方法的研究.本文基于专家知识调整贝叶斯网络结构,将原贝叶斯网络和新贝叶斯网络相结合,通过推理进行新参数的迭代学习,可实现贝叶斯网络的适应性学习.
- 王双成冷翠平
- 关键词：贝叶斯网络
