Detection in Human-sensor Systems under Quantum Prospect Theory using Bayesian Persuasion Frameworks
本文提出结合量子前景理论与贝叶斯劝说框架的人机传感器检测方案，推导了最优信号与决策规则，并揭示了该场景违背全概率法则及理性对检测性能的影响。
2023-10-19 eess.SP math.ST stat.TH
Distributed Bayesian Detection Under Unknown Observation Statistics
本文研究了假设先验概率未知的分布式贝叶斯检测问题。传感器获得的观测值是有条件地依赖于传感器和它们的概率密度函数（pdf）是不确切的。观测值被量化并发送到融合中心。融合中心融合当前量化的观测值并做出最终决策。它还设计（更新）的量化器，用于传感器和融合规则的基础上所有以前的量化观察。关于更新的量化器的信息被发送回传感器以供下次使用。在本文中，条件联合概率密度函数表示在一个参数的形式，使用Copula框架。未知参数包括相关参数和边际参数。提出了基于量化数据的带反馈的最大似然估计方法来估计未知参数。这些估计迭代地用于改进量化器和融合规则，以通过使用反馈来提高分布式检测性能。数值算例表明，基于反馈极大似然估计的检测方法比基于条件独立观测假设的检测方法有更好的性能。
2012-09-19 cs.IT math.IT
Novel Near-Optimal Scalar Quantizers with Exponential Decay Rate and Global Convergence
许多现代分布式实时信号感测/监测系统需要量化以实现有效的信号表示。这些分布式传感器通常具有固有的计算和能量限制。出于这种考虑，我们提出了一种新的量化方案，称为近似最大的，是接近最优的。假设一个连续的和有限的支持概率分布的源，我们表明，我们的量化器收敛到经典的最大量化器的比特率增加。我们还表明，我们的近似最大的量化器收敛指数快速的迭代次数。建议的量化器被修改，以考虑一个相对较新的量化模型，它具有包络约束，称为包络量化器。通过适当的修改，我们证明了等价近似包络量化器的最优性和收敛性。我们说明了我们的结果使用广泛的模拟不同的有限支持源分布。
2019-02-18 cs.IT eess.SP math.IT
Exploiting Convexification for Bayesian Optimal Sensor Placement by Maximization of Mutual Information
贝叶斯最优传感器布局，在其充分的一般性，寻求最大化的不确定的模型参数和预测数据之间的相互信息要从传感器收集的目的，执行贝叶斯推断。等价地，对于给定的传感器预算，在所有可能的传感器配置上，模型参数的后验的期望信息熵被最小化。在结构动力系统的背景下，这种最小化是计算昂贵的，因为大量的可能的传感器配置。在这里，一个非常有效的凸松弛计划，以确定信息和可能的最佳解决方案的问题，从而绕过了一个详尽的，往往是不可行的，组合搜索的必要性。其关键思想是放松的二进制传感器位置向量，使其对应于所有可能的传感器位置的组件位于单位间隔。然后，在这个向量上的优化是一个凸问题，可以有效地解决。这种方法总是为松弛问题产生唯一的解，该解通常是二元的，因此是原始问题的最优解。当不是二元的时候，放松的解决方案通常暗示原始问题的最优解决方案是什么。一个说明性的例子，使用一个50层的剪切建筑模型受到正弦地面运动，包括一个情况下，有超过47万亿可能的传感器配置。的解决方案和计算工作量相比，贪婪和启发式方法。
2019-06-13 eess.SP stat.AP
A Bayesian Multilevel Random-Effects Model for Estimating Noise in Image Sensors
传感器噪声源导致单个图像中的像素和多个图像中记录的信号的差异。本文提出了一种贝叶斯方法来分解和表征数字相机成像中涉及的传感器噪声源。贝叶斯概率模型的基础上的（理论）模型的噪声源在图像传感适合一组的时间序列的图像具有不同的反射率和波长下控制照明条件。图像传感模型是一个复杂的模型，有几个相互作用的组件依赖于反射率和波长。贝叶斯方法的属性定义的条件依赖性参数之间的完全概率模型，传播所有来源的不确定性的推断，使贝叶斯建模框架更有吸引力和强大的比经典的方法接近的图像传感模型。一个可行的对应噪声参数，其预期的理论行为和校准后的预测分布与一个小的均方根误差模型预测已在这项研究中实现，从而表明，所提出的模型准确地近似的图像传感模型。贝叶斯方法可以扩展到制定进一步的组件，旨在识别成像过程的更具体的参数。
2020-04-24 eess.IV stat.AP
Approximate Computational Approaches for Bayesian Sensor Placement in High Dimensions
University of South Carolina（南卡罗来纳大学）；Xi’an University of Technology（西安理工大学）
由于安装和维护传感器的成本通常很高，传感器的位置总是有策略地选择。对于那些旨在推断某些感兴趣的量（QoI），它是可取的，探索传感器测量和QoI之间的依赖性。依赖性的最流行的度量之一是互信息，它自然地测量了给定另一个变量可以获得多少关于一个变量的信息。然而，互信息的计算一直是一个挑战性的问题，并且在高维空间中计算结果是不可靠的。在本文中，我们提出了一种方法来找到一个近似的互信息下界，并计算它在一个较低的维度。然后，传感器被放置在最高的互信息（下限）实现和QoI推断通过贝叶斯规则给定的传感器测量。此外，贝叶斯优化被引入到提供一个连续的互信息表面的域，从而减少评估的数量。模拟了一个化学品泄漏事故，其中放置了多个传感器来定位泄漏源。结果表明，该方法是有效的和高效的推断生活质量。
2017-03-19 cs.LG stat.CO
Distributed Variational Bayesian Algorithms Over Sensor Networks
Zhejiang University（浙江大学）
传感器网络中贝叶斯框架下的分布式推理/估计由于其广泛的适用性而受到广泛关注。变分贝叶斯（VB）算法是一种用于近似贝叶斯推断中出现的难处理积分的技术。本文针对一般的贝叶斯推断问题，提出了两种新的分布式VB算法，可应用于一类非常一般的共轭指数模型。在第一种方法中，在每个节点的全局自然参数进行优化，使用随机自然梯度，利用黎曼几何的近似空间，其次是一个信息扩散步骤与邻居的合作。在第二种方法中，在自然参数空间中建立了分布式估计的约束优化公式，并用交替方向乘子法（ADMM）求解。然后，应用分布式推理/估计的贝叶斯高斯混合模型，评估所提出的算法的有效性。仿真结果表明，该算法具有很好的性能，几乎与集中式VB算法一样好，该算法依赖于融合中心的所有可用数据。
2020-11-27 cs.AI stat.ML
Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design
University of Arizona（亚利桑那大学）；Sandia National Laboratories（桑迪亚国家实验室）；Stanford University（斯坦福大学）
本研究开发了基于贝叶斯最优实验设计的框架，通过优化传感器位置、类型和保真度，提高区域尺度地震监测网络定位地震事件的能力，并探讨了传感器保真度、地球模型不确定性及先验约束对网络性能的影响。
2024-10-14 cs.LG physics.geo-ph stat.AP
Bayesian inversion for nanowire field-effect sensors
纳米线场效应传感器最近已经被开发用于生物分子的无标记检测。在这项工作中，我们介绍了一种计算技术的基础上贝叶斯估计，以确定传感器的物理参数，更重要的是，分析物分子的属性。为此，我们首先提出了一个基于偏微分方程的模型来模拟器件的电荷传输和电化学行为。然后，采用具有延迟拒绝的自适应Metropolis算法（DRAM）估计未知参数的后验分布，即分子电荷密度、分子密度、掺杂浓度、电子和空穴迁移率。我们同时确定了器件和分子的性质，并且在确定了器件参数之后，我们还计算了分子密度作为唯一的参数。这种方法不仅可以确定未知参数，而且还可以通过产生密度函数（pdf）来显示每个参数的确定程度。
2019-10-26 cs.NA eess.SP math.NA
Bayesian algorithmic perfumery: A Hierarchical Relevance Vector Machine for the Estimation of Personalized Fragrance Preferences based on Three Sensory Layers and Jungian Personality Archetypes
University of Groningen（格罗宁根大学）
本研究提出一种结合层级相关向量机与荣格人格原型的贝叶斯算法，用于个性化香氛推荐，通过三层香气偏好与人格特质关联，实现自适应可解释推荐。
2024-11-06 cs.LG stat.AP
Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method
ETH Zürich（苏黎世联邦理工学院）
我们提出了一种新的方法推断地面实况信号从多个退化的信号，受不同数量的传感器曝光。该算法通过仅从两个信号之间的比率对两个信号进行迭代校正来学习乘性退化效应。退化函数d应该是连续的，满足单调性，并且d（0）= 1。我们使用平滑单调回归方法，在那里我们很容易将上述标准的拟合部分。我们包括理论分析和证明收敛到地面实况信号的无噪声测量模型。最后，我们提出了一种方法来融合噪声校正信号使用高斯过程。我们使用稀疏高斯过程，可以用于大量的测量与一个专门的内核，使所有传感器的噪声值的估计。数据融合框架可以自然地处理数据缺口，并提供一种简单而强大的方法来观察多个时间尺度上的信号趋势（长期和短期信号特性）。校正方法的可行性进行了评估与已知的地面真实信号的合成数据集。
2020-09-07 cs.IR cs.LG stat.ML
Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction
Department of Industrial and Systems Engineering, Texas A&M University（德克萨斯A&M大学工业与系统工程系）；University of Florida（佛罗里达大学）；School of Industrial Engineering and Management, Oklahoma State University（俄克拉荷马州立大学工业工程与管理学院）
本文提出了一种联合建模多传感器时间序列数据和多模式故障时间的贝叶斯方法，通过整合Cox比例危险模型、卷积多输出高斯过程和多项式故障模式分布，实现对系统剩余使用寿命的准确预测，并通过数值和案例研究验证了其优势。
2026-05-18 cs.LG stat.ME stat.ML
Bayesian waveform-based calibration of high-pressure acoustic emission systems with ball drop measurements
声发射是一种广泛应用于高压岩石破坏实验中研究震源机制和材料特性的技术。了解声发射传感器测量的物理量以及这些传感器作为频率函数的响应非常重要。这项研究校准新建成的AE系统在麻省理工学院岩石物理实验室使用球弹跳系统。全波形的多反弹事件，由于球下降被用来推断在高压环境中的锆钛酸铅（PZT）传感器的传递函数。传感器传递函数的不确定性量化使用基于波形的贝叶斯方法。\textit{in situ}传感器传递函数的量化使得可以对高压下的声发射应用全波形分析。
2020-01-08 physics.geo-ph stat.AP
Sensor Informativeness, Identifiability, and Uncertainty in Bayesian Inverse Problems for Structural Health Monitoring
本文提出了一种贝叶斯反演框架，用于量化结构健康监测中传感器信息量、可识别性和不确定性，通过分析弯曲刚度分布来提升传感器布置的优化与诊断可信度。
2025-11-21 cs.CE stat.AP
Quantizers with Parameterized Distortion Measures
在许多量化问题中，失真函数由欧几里德度量给出，以测量源样本到量化器的任何给定再现点的距离。在这项工作中，我们将考虑失真函数，这是加法和乘法加权的每个再现点，从而在一个异构的量化问题，例如在传感器网络的部署问题。然而，通常在这样的问题中，对于给定的权重（参数），平均失真被最小化，我们将在所有权重上优化量化问题，即，我们调整或控制失真函数使其对我们有利。对于一个均匀的源分布在一维，我们推导出唯一的最小值，给出了一个最佳的公共权重的均匀标量量化器。通过数值模拟，我们证明了这一结果扩展到二维渐近的参数优化量化器是具有共同的权重的六边形晶格。作为一个应用，我们将确定无人机（UAV）的最佳部署，以提供一个无线通信的地面终端在最小的通信功率成本。这里，最优权重与UAV的最优飞行高度有关。
2018-11-06 cs.IT math.IT
Bayesian Measurement Error Correction in Structured Additive Distributional Regression with an Application to the Analysis of Sensor Data on Soil-Plant Variability
考虑到协变量与测量误差的贝叶斯方法的灵活性与半参数回归模型相结合，用于一类连续、离散和混合单变量响应分布，其所有参数可能取决于结构化的加性预测因子。马尔可夫链蒙特卡罗使模块化和数字有效的实施贝叶斯测量误差校正的基础上，未观察到的无误差协变量值的插补。我们允许非常普遍的测量误差，包括具有异质方差的相关重复。首先通过模拟试验对该建议进行评估，然后将其应用于对实施有效农业管理措施至关重要的土壤-植物关系的评估。使用具有非常精细的空间分辨率的传感器获得了在意大利南部的7公顷Alcohol立场的多深度土壤信息饲料地被观测。用这些数据估计地面覆盖物和土壤之间的功能关系涉及到解决与空间和时间不一致以及数据量大有关的问题。我们提出了一个初步的空间插值网格覆盖的领域和随后的分析，由一个结构化的添加剂分布回归模型占土壤协变量的测量误差。结果进行解释和评论连接可能的Alcohol管理策略。
2017-11-29 stat.AP
Bayesian Quickest Detection of Propagating Spatial Events
Aalto University（阿尔托大学）
在许多现代应用中，快速检测通过传感器网络传播的空间事件是广泛关注的。特别是在通信、雷达、物联网、环境监测和生物监测中，我们可能会观察到传播场或粒子。在本文中，我们提出了贝叶斯连续的单点和多个变化点检测程序，快速检测这种现象。使用一个动态规划框架，我们推导出的结构的最佳单事件最快的检测过程中，最小化的平均检测延迟（ADD）的虚警概率上界。多传感器系统配置是任意的，传感器可以是移动的。在罕见事件制度，最佳程序收敛到一个更实际的阈值测试的后验概率的变化点。利用空间事件的传播特性，导出了该后验概率的一种方便的递归计算方法。在渐近条件下分析了后验概率门限检验的ADD，并在检测受路径损耗影响的随机高斯信号的情况下进行了具体分析。然后，我们展示了如何提出的程序是很容易扩展到检测多个传播的空间事件并行在多个假设检验设置。提出了一种提供严格的错误发现率（FDR）控制的方法。在模拟部分中，它表明，利用事件的空间属性减少ADD相比，不利用此信息的程序，即使在模型失配。
2022-06-27 cs.IT math.IT math.ST
Lattice Quantization with Side Information: Codes, Asymptotics, and Applications in Sensor Networks
我们认为率/失真的问题，边信息仅在解码器。对于联合高斯源X和边信息Y以及均方误差失真的情况，Wyner在1976年证明了这个问题的速率/失真函数与条件速率/失真函数R_{X|Y}相同，假设边信息Y在编码器处可用。在本文中，我们构造了一个结构类的渐近最优量化器为这个问题：在源X和边信息Y之间的高相关性的假设下，我们表明存在量化器在我们的类，其性能任意接近Wyner的界限。作为一个应用程序说明的相关性的高相关性的渐近，我们还探讨了使用这些量化器的背景下的传感器网络的数据压缩的问题，在一个设置涉及大量的设备收集高度相关的测量在一个封闭的区域。我们的配方的一个重要特点是，虽然每个节点的网络吞吐量趋于零，网络规模的增加，所以每个发射机产生的信息量。这是一种在实践中可能经常遇到的情况，这使我们能够对大规模无线网络的传输容量产生一些新的、更"乐观“的负面影响。
2006-11-01 cs.IT math.IT
Asymptotic Performance Analysis of Non-Bayesian Quickest Change Detection with an Energy Harvesting Sensor
在本文中，我们考虑了一个非贝叶斯连续变化检测的基础上的累积和（Cumulative Sum）算法所采用的能量收集传感器的分布之前和之后的变化被假定为已知的。在时隙离散时间模型中，传感器完全由随机可用的收集能量供电，如果它有足够的能量来感测和处理样本，则获得样本并计算两个分布的对数似然比。如果它在给定时隙中没有足够的能量，则它等待，直到它在未来时隙中获得足够的能量来执行任务。我们推导出渐近表达式的预期检测延迟（实际发生变化时），和渐近尾部分布的游程长度的虚警（当变化从来没有发生）。我们表明，当平均收获的能量（$\bar H$）大于或等于所需的能量来感测和处理一个样本（$E_s$），标准现有的渐近结果适用于测试，因为在传感器的能量存储水平大于$E_s$后足够长的时间。然而，当$\bar H < E_s$时，能量存储水平可以由具有唯一平稳分布的正Harris递归马尔可夫链来建模。使用渐近结果从马尔可夫随机游动理论和相关的非线性马尔可夫更新理论，我们建立了渐近表达式的预期检测延迟和渐近指数的尾部分布的游程长度的虚警在这种非平凡的情况下。数值结果支持理论结果。
2020-01-14 eess.SP stat.AP
Bayesian Fusion of Data Partitioned Particle Estimates
我们提出了一种贝叶斯数据融合方法来近似一个后验分布，从一个合奏的粒子估计，只有访问数据的子集。我们的方法依赖于近似的概率推断模型参数，通过蒙特卡罗方法，其次是更新和重采样计划相关的多个重要性抽样结合信息的初始估计。我们表明，该方法是收敛的粒子限制，并直接适用于多传感器数据融合问题的应用，通过演示多传感器开普勒轨道确定问题和仅方位跟踪问题的有效性。
2020-10-26 stat.CO
Coalitional Bayesian Autoencoders -- Towards explainable unsupervised deep learning
University of Cambridge（剑桥大学）
本文旨在提高Autoencoder（AE）预测的可解释性，提出了两种解释方法的基础上的平均值和认知的不确定性的对数似然估计，这自然产生的概率公式的AE称为贝叶斯Autoencoders（BAE）。为了定量评估解释方法的性能，我们在传感器网络应用中对它们进行了测试，并提出了三种基于传感器协变量偏移的度量：（1）Spearman漂移系数的G均值，（2）解释排序的敏感性-特异性的G均值和（3）结合上述两种度量的传感器解释质量指数（SEQI）。令人惊讶的是，我们发现，解释BAE的预测遭受高相关性导致误导性的解释。为了缓解这一问题，一个“联盟BAE”的建议，这是基于代理的系统理论的启发。我们在公开的状态监测数据集上进行的全面实验表明，使用联盟BAE的解释质量有所提高。
2021-10-19 cs.LG stat.ML
A Fast and Scalable Method for A-Optimal Design of Experiments for Infinite-dimensional Bayesian Nonlinear Inverse Problems
研究了偏微分方程下贝叶斯非线性反问题的最优试验设计问题。我们的目标是找到一个位置的传感器，在实验数据被收集，以便最大限度地减少在推断的参数字段的不确定性。我们通过推广经典的A-最优试验设计准则，使用后验协方差迹线的期望值来制定OED目标函数。我们寻求一种方法，解决了OED问题的成本（测量正向PDE解决的数量），这是独立的参数和传感器的尺寸。为了促进这一点，我们构建了一个高斯近似的最大后验概率（MAP）点的后验，并使用由此产生的协方差算子来定义OED目标函数。我们使用随机迹估计来计算这个（隐式定义的）协方差算子的迹。由此产生的OED问题包括作为约束的偏微分方程特征的MAP点，和描述的协方差算子向量的行动的偏微分方程。使用稀疏化罚函数控制传感器配置的稀疏性。我们阐述了我们的OED方法的问题，确定传感器的位置，以最好地推断椭圆偏微分方程的系数。伴随方法用于计算偏微分方程约束的OED目标函数的梯度。我们提供的数值结果的渗透率场在多孔介质流动问题的推断，并证明，PDE解决的数量所需的OED目标函数的评价和它的梯度基本上是独立的参数和传感器的尺寸。计算OED的拟牛顿迭代次数也表现出相同的维数不变性。
2015-11-03 math.OC stat.CO stat.ME
Amplitude-Aided 1-Bit Compressive Sensing Over Noisy Wireless Sensor Networks
摘要一位压缩感知（CS）是已知的，特别适合于资源受限的无线传感器网络（WSNs）。本文研究了噪声无线传感器网络中1比特压缩感知信号在信道引起的比特翻转误差下的重构问题，提出了一种幅度辅助的信号重构方案，该方案（i）设计了局部二进制量化器的表示点，以最小化由局部感知噪声、量化和比特符号翻转引起的数据保真度损失，以及（ii）融合中心采用传统的最小化方法，使用解码和解映射的二进制数据来恢复稀疏信号。通过最小化净数据失配的均方误差（MSE），考虑到非零信号项的分布，局部检测噪声，量化误差和位翻转，二进制量化器的代表点的设计，然后获得一个简单的封闭形式的解决方案。数值仿真结果表明，我们的方法提高了估计精度时，信噪比低或传感器的数量是小的，相比，最先进的1位CS算法完全依赖于信号恢复的标志消息。
2015-06-04 cs.IT math.IT
Asymptotics of Bayesian Error Probability and Rotating-PSF-Based Source Super-Localization in Three Dimensions
我们提出了一个渐近分析的最小错误概率（MPE）推断正确的假设，在贝叶斯多假设检验（MHT）形式主义，使用许多像素的数据被破坏的信号相关的散粒噪声，传感器读取噪声，和背景照明。我们进行这种误差分析的各种组合的噪声和背景统计，包括伪高斯分布，可以用来处理大约的光子计数统计的信号和背景，以及纯高斯传感器读出噪声和更一般的，指数峰值分布。随后，我们应用MPE渐近特性的最小条件需要本地化的点源在三维空间中的一个braching-PSF成像仪，并比较其性能与传统的成像仪在背景和传感器噪声波动的存在下。在另一篇论文中，我们将形式主义应用于相关但性质不同的问题，即在最佳焦点平面中的一对紧密间隔的点源的2D超分辨率成像。
2014-03-19 physics.optics stat.AP
Modeling a Sensor to Improve its Efficacy
机器人依靠传感器为它们提供周围环境的信息。然而，高质量的传感器可能非常昂贵，成本过高。因此，许多机器人系统必须使用低质量的传感器。在这里，我们通过一个案例研究如何建模传感器可以提高其效率时，采用贝叶斯推理框架。作为一个测试平台，我们使用了一个机械臂，该机械臂被设计为使用廉价的乐高光传感器自动进行测量，以估计黑色场地上白色圆圈的位置和半径。光传感器对从其视场内的空间分布区域到达的光进行积分，所述光由其空间灵敏度函数（SSF）加权。我们证明，通过将一个准确的模型的光传感器SSF的似然函数的贝叶斯推断引擎，一个自治系统可以使其周围的改进的推断。这里介绍的方法是基于数据的，相当通用，并考虑到即插即用，以便它可以在类似的问题中实现。
2013-03-18 astro-ph.IM physics.ins-det stat.ML
Distributed Bayesian Detection with Byzantine Data
在本文中，我们考虑的问题，分布式贝叶斯检测在网络中的拜占庭的存在。假设网络中的一部分节点受到攻击并被对手重新编程，向融合中心（FC）发送错误信息，从而降低检测性能。分布式检测的问题制定为一个二元假设检验在FC的基础上发送的传感器的1位数据。得到了拜占庭人致盲FC所需的最小攻击力的表达式。更具体地说，我们表明，在一定比例的拜占庭攻击者在网络中，检测方案变得完全无法利用传感器数据进行检测。我们分析了不同的攻击方案下的问题，并得出不同的非渐近情况下的结果。据发现，现有的渐近为基础的结果不持有几个非渐近的情况下。当拜占庭的分数是不足以盲目的FC，我们也提供了封闭形式的表达式的最佳攻击策略的拜占庭，最降低检测性能。
2014-09-03 cs.CR cs.DC cs.GT
Deterministic Bayesian Information Fusion and the Analysis of its Performance
本文提出了一种数学和计算框架，用于分析传感器网络中贝叶斯数据融合或联合统计推断的预期性能。在确定性约束和二次代价下，利用变分技术得到后验期望作为最优融合规则，并研究了其分类性能的平滑性等性质。对于一类融合问题，我们证明了这种融合规则在更广泛的意义下也是最优的，并且满足强渐近收敛结果。我们将展示这些结果如何适用于各种例子与高斯，指数和其他统计，并讨论计算方法，以确定融合系统的性能在更一般的，大规模的问题。这些结果的动机是通过研究融合多模态雷达和声学传感器检测爆炸性物质的性能，但具有广泛的适用性，其他贝叶斯判定问题。
2014-11-02 math.ST stat.ML stat.TH
Accurate, scalable, and efficient Bayesian optimal experimental design with derivative-informed neural operators
针对高维贝叶斯最优传感器设计计算昂贵的问题，本文提出基于导数信息维度归约与 DINO 替代模型的框架，并结合改进交换贪心算法实现误差可控、可扩展且超1000倍加速。
2024-09-09 cs.CE math.OC stat.ME
Detection and Prediction of Cardiac Anomalies Using Wireless Body Sensors and Bayesian Belief Networks
Paris Descartes University（巴黎笛卡尔大学）；Iowa State University（爱荷华州立大学）
错综复杂的心脏复杂性是与医疗保健成本相关的主要因素，也是世界上死亡率最高的原因。然而，心脏异常的早期检测等预防措施可以预防各种复杂性的严重心血管骤停，并对医疗成本产生重大影响。遇到这种情况，心电图（ECG或EKG）通常是医生或临床工作人员的第一诊断选择，以测量个体心脏的电和肌肉健康。本文提出了一种能够读取记录的心电图并预测心脏异常而无需人类专家干预的系统。本文提出了一种心电数据的读取和分析算法.所提出的架构使用离散小波变换（DWT）在第一个地方进行预处理的心电图数据，然后由非抽取小波变换（UWT）提取九个相关的功能，这是心脏病专家的高度兴趣。在UCL心律失常数据集上使用提取的9个参数训练称为贝叶斯网络分类器的概率模型。该系统使用贝叶斯网络分类器和Tukey盒分析将记录的心跳分为四类。用于预测心跳的四个类别是（a）正常搏动、（b）室性早搏（PVC）、（c）房性早搏（PAC）和（d）心肌梗塞。实验结果表明，该系统在Physionet和欧洲ST T数据库（EDB）上对PAC、MI和PVC的平均识别准确率分别为96 6%、92 8%和87%，平均出错率分别为3 3%、6%和12 5%。
2019-04-16 cs.LG stat.ML
Adaptive Sensor Placement for Continuous Spaces
PROWLER.io Ltd（PROWLER.io有限公司）；STOR-i Centre for Doctoral Training, Lancaster University（兰卡斯特大学STOR-i博士培训中心）；University of Cambridge（剑桥大学）；Lancaster University（兰卡斯特大学）
我们考虑的问题，自适应地放置传感器沿一个区间检测随机生成的事件。我们提出了一个新的提法的问题作为一个连续的武装土匪问题的反馈形式的部分观测实现的非齐次泊松过程。我们设计了一个解决方案，通过汤普森抽样与非参数推理相结合，通过越来越粒度贝叶斯直方图，并推导出$\tilde{O}(T^{2/3})$界的贝叶斯遗憾$T$轮。这是再加上一个有效的优化方法的设计，在多项式时间内选择行动。在模拟中，我们证明了我们的方法比竞争对手的算法有更低的和更少的变量后悔。
2019-05-16 cs.LG stat.ML
Robust Distributed Maximum Likelihood Estimation with Dependent Quantized Data
在本文中，我们考虑分布式最大似然估计（MLE）与相关的量化数据的假设下，联合概率密度函数（PDF）的结构是已知的，但它包含未知的确定性参数。参数可以包括对应于边际pdf的不同向量参数和描述跨传感器的观测的依赖性的参数。由于具有单个量化器的MLE由于pdf的不确定性而对阈值的选择敏感，因此我们专注于具有多组量化器的MLE（可以通过使用先验信息或一些启发式方法来确定）以抵御差/离群值量化器的风险。在一定的正则性条件下证明了多量化器MLE方案的渐近有效性，并推导出渐近方差是基于多个不同量化器的Fisher信息矩阵的加权线性组合的逆，从而证明了该方法的鲁棒性.作为一个说明性的例子，我们考虑一个估计问题的二元非高斯pdf的分布式恒虚警率（CFAR）检测系统中的应用程序。仿真结果表明，特别是当量化测量的数量是小的建议MLE计划的鲁棒性。
2013-09-14 cs.IT math.IT
On Generalized Bayesian Data Fusion with Complex Models in Large Scale Networks
1 Sibley School of Mechanical
本文提出新的广义贝叶斯分布式数据融合算法，用于处理动态网络拓扑和复杂信念模型，通过混合pdf和条件因子提升多机器人目标搜索中的融合效果。
2013-08-14 cs.RO cs.SY eess.SY
Asymptotic Analysis of Distributed Bayesian Detection with Byzantine Data
在这封信中，我们考虑的问题，分布式贝叶斯检测的数据伪造拜占庭在网络中的存在。分布式检测的问题被制定为一个二进制假设检验在融合中心（FC）的基础上发送的传感器的1位数据。采用自相关信息作为性能度量，研究了系统在拜占庭攻击下的检测性能。得到了拜占庭人致盲FC所需的最小攻击力的表达式。更具体地说，我们表明，在一定比例的拜占庭攻击者在网络中，检测方案变得完全无法利用传感器数据进行检测。当拜占庭的分数是不足以盲目的FC，我们也提供了封闭形式的表达式的最佳攻击策略的拜占庭，最降低检测性能。
2014-08-14 cs.CR cs.GT stat.AP
Real-time risk estimation for active road safety: Leveraging Waymo AV sensor data with hierarchical Bayesian extreme value models
本研究提出一种基于Waymo AV数据和高保真2D TTC的实时风险评估框架，采用分层贝叶斯极值模型分析冲突对，有效量化了车辆动力学异质性对城市道路碰撞风险的影响。
2024-10-14 stat.AP
A Bayesian hierarchical model for methane emission source apportionment
Department of Applied Mathematics and Statistics, Colorado School of Mines（科罗拉多矿业大学应用数学与统计学系）
本文提出了一种贝叶斯分层模型，用于通过点传感器网络对油气站点的甲烷排放进行归因，模型考虑了传感器数据的自相关性和稀疏性约束，以提高泄漏检测和修复的准确性。
2026-03-24 stat.AP
Bayesian optimal control of GHZ states in Rydberg lattices
以稳健的方式制备非经典态的能力对于超出标准量子极限的量子传感器是必不可少的。我们证明了贝叶斯最优控制能够找到控制脉冲，驱动被困的里德伯原子进入高度纠缠的GHZ态。控制序列具有基于伊辛动力学的准可积性的物理直观的功能。它们可以在实验室实验中构建，从而使制备时间与系统尺寸非常有利地成比例。
2020-08-21 physics.atom-ph quant-ph stat.ML
Use of Bayesian Nonparametric methods for Estimating the Measurements in High Clutter
Arizona State University（亚利桑那州立大学）
杂波环境下的目标鲁棒跟踪是一项重要而具有挑战性的任务。最近几年，最近邻方法和概率数据关联滤波器被提出。然而，这些方法的性能随着测量次数的增加而降低。在本文中，我们提出了一个强大的生成方法，有效地模拟多个传感器的测量跟踪高杂波环境中的移动目标。我们假设一个时间依赖的测量，包括传感器观测与未知的起源，其中一些可能只包含杂波没有额外的信息。我们鲁棒性和准确估计的运动目标的轨迹在高杂波环境与未知数量的杂波，采用贝叶斯非参数建模。特别是，我们采用了一类联合贝叶斯非参数模型来构建目标和杂波测量的联合先验分布，使得条件分布遵循Dirichlet过程。边缘化的Dirichlet过程之前的目标测量，然后使用贝叶斯跟踪器估计动态变化的目标状态。我们通过实验表明，我们提出的框架的跟踪性能和有效性增加抑制高杂波测量。此外，我们表明，我们提出的方法优于现有的方法，如最近邻和概率数据关联过滤器。
2020-11-30 cs.LG eess.SP stat.ML
Bayesian Dynamic Gamma Models for Route-Level Travel Time Reliability
George Mason University（乔治梅森大学）；George Washington University（乔治华盛顿大学）
本文提出了一种贝叶斯动态伽马模型，通过共用随机环境和马尔可夫链实现路级旅行时间可靠性的高效建模，提升了预测精度并保持了计算效率。
2026-02-06 stat.AP
Input-State-Parameter-Noise Identification and Virtual Sensing in Dynamical Systems: A Bayesian Expectation-Maximization (BEM) Perspective
结构识别和损伤检测可以概括为对输入力、物理参数和动力状态的同时估计。虽然卡尔曼型滤波器是解决这个问题的有效工具，但噪声协方差阵的校准是繁琐的。例如，在增广或对偶卡尔曼滤波器中，输入噪声协方差阵的校准是一项关键任务，因为其值的微小变化会对估计产生不利影响。本研究发展了一种贝叶斯期望最大化（BEM）方法的不确定性量化和传播耦合输入-状态-参数-噪声识别问题。它还提出了将输入虚拟观测稳定的潜在状态的低频分量和减轻潜在的漂移。在这方面，虚拟观测的协方差阵也基于测量数据来校准。此外，一个明确的配方提供了研究的贝叶斯估计，这有助于表征最低传感器的要求的理论可观性。最后，边界元法进行了测试和验证，通过数值和实验的例子，其中传感器配置，多输入力，和突然的刚度变化进行了研究。据证实，边界元法提供了准确的估计的状态，输入和参数，同时表征的程度，相信这些估计的基础上，后验不确定性驱动的应用贝叶斯的观点。
2022-07-05 stat.AP
Model-Driven Deep Learning for Distributed Detection with Low-Bit Quantization
The Hong Kong University of Science and Technology（香港科技大学）；Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳先进研究院）；School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院）
针对低比特量化分布式检测性能下降问题，提出模型驱动深度学习框架，设计二元及树状概率量化器，推导MAP融合规则，仿真显示其在高量化分辨率下接近集中式神谕性能，且对网络规模和信号幅度变化鲁棒。
2026-10-16 cs.IT math.IT
Model-Driven Deep Learning for Distributed Detection with Binary Quantization
本文针对无线传感器网络分布式检测中带宽与能量受限问题，提出结合模型驱动深度学习与二值概率量化的方法，推导MAP检测错误概率下界和KL散度作为损失函数，分别训练量化器与融合中心检测器，在降低复杂度的同时实现接近最优的检测性能。
2024-03-30 cs.IT eess.SP math.IT
Distributed Detection in Ad Hoc Networks Through Quantized Consensus
研究了大规模连通传感器网络中分布式检测的渐近性能。与其中单个节点可以访问所有其他节点的本地决策的典型并行网络相比，在当前设置中，每个节点只能与其直接邻居交换信息。我们建立，每个节点采用一个相同的一位量化器进行本地信息交换，一种新的共识达成方法可以实现最佳的渐近性能的集中式检测的网络规模。在三种不同的检测框架下，这种说法是正确的：贝叶斯准则，其中最大后验检测器是最佳的，Neyman-Pearson准则具有恒定的I型错误概率约束，以及Neyman-Pearson准则具有指数I型错误概率约束。利用最近的发展，分布式共识达成使用有界量化器与可能的无界数据（这是对数似然比的本地观测分布式检测的上下文中），我们设计了一个一位的确定性量化器与可控阈值，导致理想的共识误差界。所得到的界是建立最佳渐近检测性能的关键。此外，我们研究所提出的方法的非渐近性能，并表明，在每个节点的I型和II型错误概率可以任意接近集中的同时，当连续性条件得到满足。
2018-10-14 cs.IT math.IT
On Distributed Vector Estimation for Power and Bandwidth Constrained Wireless Sensor Networks
我们考虑分布式估计的高斯向量的线性观测模型在非均匀无线传感器网络中，融合中心（FC）重建的未知向量，使用线性估计。传感器采用统一的多位量化器和二进制PSK调制，并通过正交功率和带宽受限的无线信道与FC进行通信。我们研究发射功率和量化率（每传感器的位测量）分配方案，最大限度地减少均方误差（MSE）。特别是，我们推导出两个封闭形式的上界的MSE，在优化参数方面，并提出耦合和解耦的资源分配计划，最大限度地减少这些界限。我们表明，该界是很好的近似的模拟MSE和所提出的方案的性能接近千里眼集中估计时，总发射功率或带宽是非常大的。我们研究了功率和速率分配如何依赖于传感器的观测质量和信道增益，以及总的发射功率和带宽约束。我们的模拟证实了我们的分析结果，并说明了所提出的算法的优越性能。
2015-10-09 cs.IT math.IT
One-bit Distributed Sensing and Coding for Field Estimation in Sensor Networks
本文阐述和研究了一个一般的分布式场重建问题，使用一个密集的网络的噪声一位随机标量量化器在存在的未知分布的加性观测噪声。一个建设性的量化，编码，和字段重建计划的开发和上限的相关均方误差（MSE）在任何点和任何快照的基础字段的局部时空平滑特性的条款。它示出，当噪声，传感器的放置模式，和传感器的时间表满足一定的弱的技术要求，它是可能的驱动器的MSE为零，增加传感器密度在点的字段连续性，同时确保每个传感器的比特率和感测相关的网络开销率同时去零。该方案实现了空间恒定的时空场的类的顺序最优的MSE与传感器密度缩放行为。
2007-07-26 cs.IT math.IT
A Graphical Bayesian Game for Secure Sensor Activation in Internet of Battlefield Things
在本文中，安全的传感器激活的问题进行了研究的战场物联网（IoBT）系统中，攻击者妥协的IoBT传感器的窃听和获取有关战场的信息的目的。在所考虑的模型中，每个IoBT传感器都试图根据其效用决定是否进行传输。每个传感器的效用表示在传输数据的冗余度，保密能力和能量消耗。由于IoBT传感器的通信范围有限，以及它们对窃听者位置的不确定性，该问题被公式化为一个图形贝叶斯游戏，其中IoBT传感器是玩家。然后，修改IoBT传感器的效用，以考虑激活每个传感器对其邻居效用的影响，以实现更好的系统性能。修改后的游戏被证明是一个贝叶斯潜在的游戏，并提出了一个最佳对策算法，保证找到一个纳什均衡的游戏。仿真结果表明，IoBT传感器传输的信息和所需的保密级别之间的权衡。仿真结果还表明，与所有IoBT传感器都被激活的基线相比，所提出的方法在降低能耗方面是有效的。当传感器数量为5000时，与基线相比，能耗降低高达98%。
2018-09-21 cs.GT cs.IT math.IT
Energy Efficiency in Two-Tiered Wireless Sensor Networks
研究了一个由$N$接入点和$M$基站组成的两层无线传感器网络。根据密度函数$f$分布在感测场上的感测数据首先被发送到AP，然后被转发到BS。我们的目标是找到一个最佳的部署AP和BS，以尽量减少传感器和AP功率的平均加权总和，或拉格朗日。对于$M=1$，我们表明，AP的最佳部署只是一个线性变换的最佳$N$电平量化器的密度$f$，和唯一的BS应位于几何质心的传感领域。此外，对于一维网络和统一的$f$，我们确定了任何$N$和$M$的AP和BS的最佳部署。此外，数值优化节点部署一般情况下，我们提出了一个和两个分层劳埃德算法，并分析其收敛特性。仿真结果表明，与随机部署相比，该算法平均可节省79%的功耗.
2017-02-19 cs.IT cs.NI math.IT
Distributed Bayesian Quickest Change Detection in Sensor Networks via Two-layer Large Deviation Analysis
提出了一种基于随机流言的传感器间通信结构的分布式贝叶斯最快变化检测算法。在没有控制或融合中心的情况下，每个传感器以并行和分布式方式执行其本地变化检测过程，通过随机传感器间通信与其相邻传感器交互以传播信息。通过将网络中的信息传播过程建模为马尔可夫过程，提出了两层大偏差分析方法来分析算法的性能。第一层分析表明，虚警概率与条件平均检测时延之间的关系满足大偏差原理，即当条件平均检测时延增加时，罕见事件的虚警概率以指数速度衰减到零，其中Kullback-Leibler信息数是一个关键因素.第二层分析表明，当平均通信次数增加时，并非所有观测值在传感器处都可用的罕见事件的概率以指数快速的速率衰减到零，其中还导出了该速率的大偏差上界和下界，基于此，我们表明分布式算法的性能以指数快速收敛到集中式算法的性能，通过证明定义的分布式Kullback-Leibler信息数收敛于集中式Kullback-Leibler信息数。
2015-12-08 cs.IT math.IT
Distributed source coding in dense sensor networks
我们研究了在[0，1]中定义的高斯场的重建问题，使用以规则间隔部署的N个传感器。目标是量化具有给定均方失真的场的重建所需的总数据率。我们考虑一类两阶段机制，a）发送信息，以允许在足够的精度内重建传感器的样本，然后b）使用这些重建来估计整个字段。为了实现第一阶段，传感器样本之间的重相关性建议使用分布式编码方案来降低总速率。我们证明了一个分布式块编码方案的存在，实现了，对于一个给定的保真度标准重建的字段，总的信息率，是有界的一个常数，独立的传感器的数量$N$。该常数通常取决于场的自相关函数和传感器样本的期望失真标准。然后，我们描述了一个方案，可以实现仅使用标量量化器在传感器，而不使用任何分布式信源编码，也实现了总的信息速率是一个常数，独立的传感器的数量。虽然该方案的工作速率大于通过分布式编码实现的速率，并且需要更大的重建延迟，但其简单性使其在传感器网络中的实现具有吸引力。
2007-10-22 cs.IT math.IT
A Bayesian Approach to Data Fusion in Sensor Networks
在本文中，我们解决的融合问题，在无线传感器网络中，估计之间的互相关是未知的。为了在贝叶斯框架内解决这个问题，我们假设协方差矩阵具有先验分布。我们还假设我们知道每个估计的协方差，即，整个协方差矩阵（由两个估计组成的随机向量）的对角块。然后，我们推导出非对角块的条件分布，这是我们感兴趣的互相关。我们表明，当有两个节点，条件分布恰好是逆矩阵变量$t$分布，我们可以很容易地抽样。对于两个以上的节点，条件分布不再是逆矩阵变量$t$分布。但是我们证明了我们可以把它分解成几个采样问题，每个问题都是逆矩阵变量$t$ -分布，因此我们仍然可以从它进行采样，因为我们可以从这个分布进行采样，这使得我们能够使用Monte Carlo方法来计算融合问题的最小均方误差估计。我们使用两个模型来产生实验数据，并证明我们的方法的通用性。仿真结果表明，该方法优于常用的协方差求交方法。
2015-09-11 cs.IT math.IT
Bayesian Methods for Multiple Change-Point Detection with Reduced Communication
针对通信受限传感器网络中的多重变点检测，提出两种基于后验概率选择传感器子集的贝叶斯程序，可控制FDR并实现不随传感器数增长的ADD。
2020-03-24 cs.IT math.IT
Joint Source-Channel Coding and Bayesian Message Passing Detection for Grant-Free Radio Access in IoT
考虑一个物联网（IoT）系统，它通过共享相同带宽的多个传感器来监视多个多值事件。每个传感器测量与一个或多个事件相关的数据，并在相应事件处于活动状态时使用免授权随机访问与基站的融合中心进行通信。基站旨在检测活动事件，并且针对每个活动事件，确定描述每个活动事件的状态的标量值。基于分离源信道（SSC）编码的传统解决方案将为每个传感器使用分离的码本，并且在基站处解码传感器的发送分组，以便随后执行事件检测。相比之下，本文考虑了一种潜在的更有效的解决方案，通过基于类型的多址接入（TBMA）的非正交推广的联合信源信道（JSC）编码的基础上。因此，测量相同事件的所有传感器共享相同码本（具有非正交码字），并且基站直接检测事件的值，而无需首先对每个传感器执行单独解码。提出了一种新的贝叶斯消息传递检测方案的TBMA为基础的协议，其性能相比，传统的解决方案。
2019-10-25 cs.IT eess.SP math.IT
Distributed Quantization Networks
分布式信源编码中的几个关键结果提供了这样一种直觉：当信息被编码成长块时，传感器间通信的压缩性能几乎没有提高。然而，当传感器被限制为在小块中对它们的观测进行编码时（例如，1、传感器之间的智能协作可以大大减少失真。对于网络中的传感器被允许“聊天”使用侧通道，是不可观察的融合中心，我们提供了渐近精确的表征失真性能和最佳量化器设计的高分辨率（低失真）制度，使用一个框架称为分布式功能标量量化（DFSQ）。关键的结果是，聊天可以显着提高性能，即使传感器间的通信是在非常低的速率，特别是如果融合中心的要求保真度的非线性计算应用到源实现，而不是保真度在代表源本身。我们还解决了速率分配问题时，通信链路具有异构成本，并提供了一个详细的例子来证明从聊天的理论和实践收益。这个最大计算的例子让我们深入了解了聊天和分布式网络之间的差距，以及如何优化传感器间的通信。
2012-10-31 cs.IT math.IT
Time-varying Clock Offset Estimation in Two-way Timing Message Exchange in Wireless Sensor Networks Using Factor Graphs
研究了当观测时间戳的似然函数服从指数分布时，双向定时交换系统中的钟差估计问题。为了捕捉节点振荡器中的缺陷，这使得时变性质的时钟偏移，提出了一种新的贝叶斯方法的时钟偏移估计使用因子图表示的后验密度。使用最大乘积算法的消息传递产生贝叶斯推理问题的封闭形式表达式。
2012-01-31 cs.IT math.IT
Distributed Bayesian Filtering using Logarithmic Opinion Pool for Dynamic Sensor Networks
California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
本文提出了一种分布式贝叶斯滤波算法，用于跟踪动态目标模型，利用对数意见池和动态平均一致性算法实现传感器节点的分布式融合，证明了算法的收敛性和鲁棒性，并给出了时间步长的界限。
2018-07-08 cs.IT cs.SY eess.SY
