An Experimental Comparison of Hybrid Algorithms for Bayesian Network Structure Learning
Université de Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Université Lyon 1（里昂第一大学）
提出了一种新的贝叶斯网络结构学习的混合算法，称为混合HPC（H2 PC）。它首先重建贝叶斯网络的骨架，然后执行贝叶斯评分贪婪爬山搜索来定位边缘。它基于一个名为HPC的子例程，该子例程结合了增量和基于约束的分治方法的思想，以学习目标变量的父变量和子变量。我们对H2 PC与Max-Min Hill-Climbing（MMHC）进行了实验比较，MMHC是目前最强大的贝叶斯网络结构学习算法，在几个具有不同数据大小的基准测试中。我们的大量实验表明，H2 PC在对新数据的拟合优度和网络结构本身的质量方面都优于MMHC，它更接近数据的真实依赖结构。H2 PC的源代码（R）以及用于实证测试的所有数据集都是公开的。
2015-08-24 cs.AI cs.LG stat.ML
Equivalence between hybrid CLs and bayesian methods for limit setting
讨论了混合CL法和平衡法在极限设定中的关系。结果表明，这两种方法是等效的，在单通道的情况下，即使背景产量是不完全知道。本文件仅考虑计数实验。
2014-04-04 stat.ME
Attention-Bayesian Hybrid Approach to Modular Multiple Particle Tracking
Aix Marseille Univ（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）；Centrale Med（中央马赛医学院）
针对高杂波多粒子跟踪中的轨迹组合爆炸问题，提出Transformer软关联剪枝与贝叶斯滤波结合的混合框架，提升精度及对虚假检测的鲁棒性。
2025-06-11 cs.LG stat.ML
Bayesian Hybrid Matrix Factorisation for Data Integration
University of Cambridge（剑桥大学）
我们介绍了一种新的贝叶斯混合矩阵分解模型（HMF）的数据集成，结合多个矩阵分解方法，可用于在和外的矩阵预测缺失值的基础上。该模型非常通用，可用于集成不同实体类型的许多数据集，包括重复实验，相似性矩阵和非常稀疏的数据集。我们将我们的方法应用于两个生物应用程序，并将其与最先进的机器学习和矩阵分解模型进行了广泛的比较。对于药物敏感性数据集的矩阵预测，我们获得了比现有方法更好的性能。当我们增加数据集的稀疏性时，情况尤其如此。此外，我们对甲基化和基因表达数据集进行了矩阵外预测，并在三个数据集中的两个数据集上获得了最佳结果，特别是当数据集的预测性很高时。
2017-04-17 cs.LG stat.ML
Bayesian Optimization over Hybrid Spaces
Washington State University（华盛顿州立大学）
我们考虑通过昂贵的黑盒函数评估优化混合结构（离散和连续输入变量的混合）的问题。这个问题出现在许多实际应用中。例如，在通过实验室实验进行的材料设计优化中，离散和连续变量分别对应于原始元素的存在/不存在及其相对浓度。关键的挑战是准确地建模离散和连续变量之间的复杂相互作用。在本文中，我们提出了一种新的方法称为混合贝叶斯优化（HyBO），利用扩散核，这是自然定义的连续和离散变量。我们开发了一个原则性的方法，通过利用添加剂的内核配方，它允许添加剂的所有订单的相互作用，在一个易于处理的方式在混合空间中构建扩散内核。从理论上分析了可加性混合核函数的建模强度，证明了它具有普适逼近性质。我们对合成和六个不同的现实世界基准的实验表明，HyBO显着优于国家的最先进的方法。
2021-06-08 cs.AI cs.LG math.OC
Bayesian Networks based Hybrid Quantum-Classical Machine Learning Approach to Elucidate Gene Regulatory Pathways
Army Research Laboratory（陆军研究实验室）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
我们报告了一个可扩展的混合量子经典机器学习框架，以建立贝叶斯网络（BN），捕捉随机变量的条件依赖和因果关系。BN的生成包括找到与给定数据集一致的节点的有向无环图（DAG）和相关联的联合概率分布。这是底层图的结构学习的组合问题，从单个节点开始，每次构建一个弧，使用最大似然估计（MLE）拟合给定的集合。它被铸造成一个优化问题，包括一个评分步骤上执行的经典计算机，处罚的无环性和父母允许的约束，并使用量子退火器实现搜索步骤。我们已经假设统一的先验在推导贝叶斯网络，可以放松制定的问题作为一个估计狄利克雷参数。我们证明了该框架的实用性，通过应用于阐明人类T细胞中MAPK/Raf通路的基因调控网络的问题，使用蛋白质组学数据，其中蛋白质的浓度，BN的节点，被解释为概率。
2019-01-23 cs.LG quant-ph stat.ML
Bayesian prediction of minimal repair times of a series system based on hybrid censored sample of components' lifetimes under Rayleigh distribution
在本文中，我们开发了贝叶斯预测推理程序预测的维修时间的串联系统，应用最小的修复策略，使用包含在一个独立的观察混合截尾样本的寿命系统的组件，假设潜在的分布的寿命是瑞利分布的信息。一个说明性的真实数据的例子和模拟研究的目的，说明和比较所提出的预测。
2015-05-24 math.ST stat.TH
Inference in Hybrid Bayesian Networks Using Mixtures of Gaussians
University of Kansas（堪萨斯大学）
本文的主要目标是描述一种方法，在一般的混合贝叶斯网络（BN）（离散和连续的机会变量的混合）的精确推理。我们的方法包括近似一般的混合贝叶斯网络的混合高斯（MoG）BN。Lauritzen-Jensen（LJ）提出了一种在MoG贝叶斯网络中进行精确推理的快速算法，并给出了该算法的商业实现。然而，该算法只能用于MoG BN。这种网络的一些限制如下。所有连续的机会变量必须有条件线性高斯分布，离散的机会节点不能有连续的父母。本文所描述的方法将使我们能够使用LJ算法的更大的一类混合贝叶斯网络。这包括具有非高斯分布的连续机会节点的网络，对离散和连续变量的拓扑结构没有限制的网络，具有条件确定性变量的网络，这些变量是其连续父母的非线性函数，以及具有连续机会变量的网络，其方差是其父母的函数。
2012-06-27 cs.AI stat.ME
Hybrid Bayesian Estimation in the additive hazards model
针对右删失数据下的半参数加性风险模型，提出一种结合Lin-Ying估计方程的混合贝叶斯估计方法，获得闭式后验估计量，并通过模拟和Nickels矿工数据集验证。
2025-05-27 math.ST stat.ME stat.TH
Structure Learning for Hybrid Bayesian Networks
贝叶斯网络已被用作以灵活但可解释的方式表示多个随机变量的联合分布的机制。学习贝叶斯网络结构的一个主要挑战是如何对包括连续和离散随机变量的混合的网络（称为混合贝叶斯网络）进行建模。本文综述了文献的方法来处理混合贝叶斯网络。通常采取两种方法之一：或者认为数据具有为离散和连续变量的混合设计的联合分布，或者将连续随机变量离散化，从而产生离散贝叶斯网络。在本文中，我们提出了一种策略，所有的随机变量建模为高斯，简称为{ \it运行它高斯（RAG）}。我们证明，RAG结果在更可靠的估计图结构的理论和模拟研究，比转换连续随机变量离散。这两项战略也都在儿童肥胖数据集上实施。两种不同的策略在最优图结构上产生了显著的差异，仿真研究的结果表明我们的策略更可靠。
2022-12-04 stat.CO stat.ME
Hybrid Geometry-Adaptive MCMC for Bayesian Inference in Higher-Order Ising Models
我们解决的平均场伊辛模型与两个和三体相互作用的逆问题，使用贝叶斯框架。在这种情况下，参数恢复是出了名的困难，特别是在相变附近，在临界状态下，并根据非可识别性，传统的估计和标准MCMC采样失败。为了克服这些挑战，我们开发了一种混合算法，结合自适应大都会黑斯廷斯几何感知黎曼流形哈密顿动力学。这种方法在三维参数空间中产生显著改善的混合和收敛。通过在代表性制度的模拟实验，我们表明，该方法实现了准确的密度重建和可靠的不确定性量化，即使在现有的方法是不稳定或不适用的设置。
2025-10-31 cond-mat.stat-mech stat.ME
Variational hybridization and transformation for large inaccurate noisy-or networks
Baidu Research（百度研究院）
变分推理为贝叶斯网络中难以计算的后验分布提供了近似。噪声或贝叶斯网络的一个突出的医学应用是根据观察到的症状来推断潜在的疾病。以往的研究主要集中在用变分变换来近似少数复杂的病理情况。我们的目标是使用变分变换作为一种新的混合推理的一部分，在网络规模上提供可靠和实时的诊断。我们提出了一种混合推理，允许变分参数估计没有疾病后验或先验，使推理速度更快，其计算可回收。此外，我们提出了一个转换排名算法，是非常稳定的网络先验概率，在贝叶斯网络的医疗应用中出现的一个常见问题的大方差。在实验中，我们对一个大型的现实生活中的医疗网络进行了比较研究，并对一个更大的（36，000倍）合成网络进行了可扩展性研究。
2016-05-20 cs.AI cs.LG stat.ML
Local convexity of the TAP free energy and AMP convergence for Z2-synchronization
University of California, Berkeley（加州大学伯克利分校）；Yale University（耶鲁大学）
本文针对Z2同步问题，证明TAP自由能在后验均值附近存在唯一强凸局部极小点，并证明AMP及自然梯度算法可从局部初始化线性收敛到该极小点，为高维变分推断提供了严格理论基础。
2023-04-15 cs.LG math.PR math.ST
A Hybrid Gradient Method to Designing Bayesian Experiments for Implicit Models
Oak Ridge National Laboratory（橡树岭国家实验室）
贝叶斯实验设计（Bayesian experimental design，BED）旨在设计一个实验，以最大限度地从收集的数据中收集信息。优化设计通常通过最大化数据和模型参数之间的互信息（MI）来实现。当MI的解析表达式不可用时，例如，摘要针对隐式模型数据分布复杂的问题，提出了一种基于神经网络的MI下界，并采用梯度上升法来最大化该下界。然而，Kleinegesse等人的方法，2020需要一个路径采样路径来计算MI下限相对于设计变量的梯度，并且这种路径采样路径通常对于隐式模型是不可访问的。在这项工作中，我们提出了一种混合梯度方法，利用最新的进展，变分MI估计和演化策略（ES）结合黑箱随机梯度上升（SGA），以最大限度地提高MI下限。这使得设计过程可以通过一个统一的可扩展的隐式模型，没有采样路径梯度的过程来实现。几个实验表明，我们的方法显着提高了高维设计空间中的隐式模型的BED的可扩展性。
2021-03-14 cs.LG stat.ME stat.ML
A hybrid algorithm for Bayesian network structure learning with application to multi-label learning
Université de Lyon（里昂大学）；Université Lyon 1（里昂第一大学）；CNRS（法国国家科学研究中心）
提出了一种新的贝叶斯网络结构学习混合算法H2 PC。它首先重建贝叶斯网络的骨架，然后执行贝叶斯评分贪婪爬山搜索来定位边缘。该算法是基于分治的约束为基础的子程序学习的局部结构周围的目标变量。我们进行了两个系列的实验比较H2 PC对最大-最小爬山（MMHC），这是目前最强大的国家的最先进的贝叶斯网络结构学习算法。首先，我们使用八个著名的贝叶斯网络基准测试与各种数据大小来评估学习的算法返回的结构的质量。我们广泛的实验表明，H2 PC优于MMHC在良好的拟合新数据和质量的网络结构相对于真实的依赖结构的数据。其次，我们研究了H2 PC解决多标签学习问题的能力。我们提供的理论结果来表征和图形化识别所谓的最小标签幂集，出现在忠实条件下的联合分布的不可约因素。然后将多标签学习问题分解为一系列多类分类问题，其中每个多类变量编码一个标签幂集。H2 PC的全球分类精度超过10个多标签数据集，覆盖不同的应用领域相比，MMHC毫不逊色。总的来说，我们的实验支持这样的结论，即局部邻域归纳形式的H2 PC局部结构学习是一个理论上动机良好且经验有效的学习框架，非常适合多标签学习。H2 PC的源代码（R）以及用于实证测试的所有数据集都是公开的。
2015-06-18 cs.AI cs.LG stat.ML
Bayesian frequentist hybrid inference
贝叶斯和频率论方法在许多方面不同，但共享一些基本的最优性属性。在实践中，有些情况下，根据某些标准，其中一种方法更可取。我们考虑的情况下，一组多个参数，可以分为两个不相交的子集的推断。在一个集合上，频率论方法可能会受到青睐，而在另一个集合上，贝叶斯方法可能会受到青睐。这促使一个联合估计过程中，一些参数估计贝叶斯，其余的最大似然估计在同一参数模型，从而保持这两种方法的优点，避免他们的弱点。这样的混合过程使我们在实现整体推理优势方面具有更大的灵活性。我们研究了估计量的相合性和高阶渐近性，并举例说明了它的应用。同时，这些结果也为客观先验的构造提供了一种新的方法。
2009-08-24 math.ST stat.TH
Optimal variable acceptance sampling plan for exponential distribution using Bayesian estimate under Type I hybrid censoring
本文针对指数寿命产品在I型混合截尾下，提出基于贝叶斯估计的变量验收抽样方案，通过平方误差损失和Linex损失函数优化检验成本，实验表明其期望成本显著低于传统最大似然估计方案。
2023-11-28 math.ST stat.TH
Bayesian Inference for Hybrid Discrete-Continuous Stochastic Kinetic Models
我们考虑的问题，有效地进行模拟和推理的随机动力学模型。虽然可以直接使用所得的马尔可夫跳跃过程，但对于现实规模和复杂性的网络，计算成本可能过高。在本文中，我们考虑一种推理方案的基础上，一种新的混合动力模拟器，分类反应为“快”或“慢”的快速反应演变为一个连续的马尔可夫过程，而其余的慢反应发生建模通过马尔可夫跳跃过程与时间相关的危险。采用快速反应动力学的线性噪声近似（LNA），并通过利用求解驱动LNA的随机微分方程的能力来捕获慢反应事件。该模拟过程被用作粒子MCMC方案内的建议机制，从而允许模型参数的贝叶斯推断。我们将该计划应用到一个简单的应用程序，并与现有的混合方法和一个计划进行推理的基础离散随机模型的输出进行比较。
2014-02-26 stat.CO
Bayesian reliability acceptance sampling plan with optional warranty under hybrid censoring
本文针对可选保修下销售的产品，提出在混合删失寿命试验中设计贝叶斯可靠性验收抽样方案，通过消费者与制造商的先验信念差异和保修博弈，确定最优寿命试验方案。
2024-02-14 stat.AP
Bayesian, classical and hybrid methods of inference when one parameter value is special
本文考虑的问题，使统计推断的参数时，一个狭窄的区间集中在一个给定的参数值被认为是特殊的，这是解释为意味着有相当程度的先验信念，参数的真实值在于这个区间。这一问题的实际重要性提供了一个明确的理由。本文讨论了标准贝叶斯方法解决这一问题的主要困难，并通过灵敏度分析确定参数在特定区间内的后验概率的下极限，提出了一种伪贝叶斯方法。由于它不是假设先验信念一定需要表示在先验概率，也不是后数据概率必须是贝叶斯后验概率，混合推理方法也提出了基于测量和解释的经典概念的显着性的具体方式。所概述的各种方法在基础水平上进行了比较和对比，并从实用的角度将其应用于一篇知名医学文章中出现的荟萃分析的真实数据。
2018-09-06 math.ST stat.ME stat.TH
Breaking the Winner's Curse with Bayesian Hybrid Shrinkage
Meta Platforms
本文提出贝叶斯混合收缩方法，通过数据驱动先验减轻选择偏差，提升不确定性量化精度，实验证明其在减少偏差和提升区间覆盖方面优于传统方法。
2026-03-13 stat.ME
A Bayesian semi-parametric hybrid model for spatial extremes with unknown dependence structure
最大稳定过程是空间极值的渐近合理模型。特别是，我们专注于分层极值过程（HEVP），这是一个特定的最大稳定的过程，有利于贝叶斯计算。HEVP和所有最大稳定过程模型是参数化的，并施加强有力的假设，包括所有边缘分布属于广义极值族，附近的站点是渐近相关的。我们通过放松这些假设来推广HEVP，以通过空间随机效应分布的Dirichlet过程提供更广泛的一类边缘分布。此外，我们提出了一个混合最大混合模型，结合了参数和半参数模型的优势。我们表明，这种通用的最大混合模型，同时容纳渐近独立性和依赖性，可以使用标准的马尔可夫链蒙特卡罗算法。在蒙特卡罗模拟研究和荷兰阵风数据的应用中，我们的模型的效用进行了评估。
2020-03-24 stat.ME
Hybrid Bayesian Models for Community Detection with Application to a Colombian Conflict Network
本文提出基于随机块模型的两种混合贝叶斯扩展（类距离模型和类双线性模型），用于无向二值网络节点聚类，并在哥伦比亚武装冲突网络及合成与基准数据集上验证了其揭示复杂结构模式的有效性。
2025-05-27 stat.ME
Determination of Bayesian optimal warranty length under Type-II unified hybrid censoring scheme
对于制造商来说，确定产品使用寿命的适当保修期是一个重要问题。本文基于第二类统一混合截尾数据，研究了在免费更换和按比例保修相结合的情况下产品的最优保修期。在这种情况下，提出了一种非线性的按比例保修政策。通过最大化一个期望效用函数得到最优保修期。期望值是根据失效时间数据的后验预测模型得出的。据观察，非线性按比例保修政策提供了一个更大的保修长度与最大利润相比，线性保修政策。最后，通过一个实际数据集的分析，说明了采用非线性比例保证策略的优势。
2020-04-18 econ.GN q-fin.EC stat.CO
A Hybrid Scan Gibbs Sampler for Bayesian Models with Latent Variables
吉布斯抽样是一种广泛流行的马尔可夫链蒙特卡罗算法，可用于分析与贝叶斯分层模型相关的棘手的后验分布。吉布斯采样器有两个标准版本：系统扫描（SS）版本，其中所有变量在每次迭代时更新，以及随机扫描（RS）版本，其中单个随机选择的变量在每次迭代时更新。文献比较SS和RS吉布斯采样器的理论特性进行了审查，并介绍了一种替代的混合扫描吉布斯采样器，这是特别适合于贝叶斯模型的潜变量。“混合”一词反映了这样的事实，即在该算法中使用的扫描具有系统和随机元两者。事实上，在每次迭代中，我们都会更新整个潜在变量集，以及随机选择的剩余变量块。混合扫描（HS）Gibbs采样器与两种标准扫描Gibbs采样器相比具有重要的优点。首先，HS算法通常更容易从理论角度进行分析。特别地，建立HS吉布斯马尔可夫链的几何遍历性比对相应的SS和RS版本做同样的事情要容易得多。其次，在Hobert和Marchev（2008）中开发的三明治方法，也被审查，可以应用于HS吉布斯算法（但不适用于标准扫描吉布斯采样器）。结果表明，在弱正则性条件下，添加三明治步骤的HS吉布斯采样器总是导致在理论上优越的算法。三个具体的贝叶斯层次模型的不同复杂性来说明的结果。一个是一个简单的位置规模模型的数据从学生的$t$分布，这是作为一个教学工具。另外两个是复杂但实用的贝叶斯回归模型。
2019-12-30 math.ST stat.TH
A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie（艾伯维）
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题，提出一个三支柱框架，包含八种模块化分析，并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
Sample size reassessment in Bayesian hybrid clinical trials
Polytechnic University of Turin（都灵理工大学）；Saryga, Tournus, France（萨里加（法国图尔努斯））；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）
本文提出了一种贝叶斯混合临床试验设计，利用Hellinger距离在中间分析中评估历史与同时对照数据的相似性，以指导样本量重新评估和先验分布方差函数，提高试验的适应性和稳健性。
2025-12-22 stat.ME
A Bayesian Hybrid Design with Borrowing from Historical Study
针对早期联合疗法研发中非对照单臂试验决策难的问题，提出含三个控制组件的贝叶斯动态功率先验混合设计，借用历史单药试验数据提升效能，后验有解析形式且计算高效，经模拟和案例验证有效。
2025-02-21 stat.AP stat.ME
Bayesian inference of Latent Spectral Shapes
本文提出一种分层时空模型，通过同步函数和循环时间表示对狐猴叫声频谱图建模，识别各物种的潜在频谱形状，并结合最近邻高斯过程与MCMC在8个物种数据集上验证了模型的有效性和预测能力。
2024-06-07 stat.AP stat.ME
Bayesian Reasoning and Evidence Communication
法医学者和从业人员的许多资源，如期刊文章，指导文件和教科书，解决了如何在两个竞争命题之间做出决定时，以似然比（LR）的形式进行证据评估的价值。这些文本通常描述专家向司法系统中的其他各方（如律师、法官和潜在的陪审员）展示他们的LR值，但很少有文本明确说明接收者如何利用所提供的LR值。那些经常暗示，或直接暗示，贝叶斯规则的混合修改，其中决策者将他们的先验概率乘以另一个人对LR的评估，以获得他们的后验概率。在本文中，我们说明了如何坚持贝叶斯推理的人会更新他们的个人不确定性，以响应其他人提出的个人LR值（或任何其他形式的意见），并强调混合方法是从贝叶斯推理出发。我们进一步考虑了接受者坚持贝叶斯推理对专家报告和证词的作用和理想内容的影响，并解决了对我们2017年论文的公开回应（Lund和Iyer，2017），我们以前认为贝叶斯推理不支持混合方程。
2022-05-10 stat.AP
Hybrid Bayesian Smoothing on Surfaces
针对传统高斯过程难以捕捉空间场突变的问题，提出融合非高斯过程的混合贝叶斯平滑模型，结合重尾先验与高效吉布斯采样器，在气候敏感性场模拟中表现更优。
2024-10-28 stat.ME
A Hybrid Bayesian Approach Towards Clock Offset and Skew Estimation in 5G Networks
在这项工作中，我们提出了一个混合贝叶斯方法对时钟偏移和偏斜估计，从而同步大规模的网络。特别是，我们证明了贝叶斯递归滤波（BRF）在减轻时间戳错误成对同步的优势。此外，我们指出的好处因子图（FG），随着置信传播（BP）算法在实现高精度的端到端网络同步。最后，我们揭示了混合同步的优点，其中一个大规模的网络被划分为本地同步域，其中每个合适的同步算法（BP或BRF为基础的）被利用。仿真结果表明，尽管在混合方法的简化，均方根误差（RMSE）的时钟偏移和偏斜估计保持低于5 ns和0.3 ppm，分别。
2020-04-20 cs.SY eess.SP eess.SY
Joint Synchronization, Phase Noise and Compressive Channel Estimation in Hybrid Frequency-Selective mmWave MIMO Systems
用于在毫米波（mmWave）频率下操作的大波束成形增益需要获得信道信息以配置混合天线阵列。然而，先前提出的宽带信道估计策略假设完美的时间-频率同步并且忽略相位噪声，使得这些方法不切实际。因此，实现发射机和接收机之间的时间-频率同步以及在估计信道时校正相位噪声（PN）是为了在实际设置中配置混合预编码器和组合器而有待解决的最大挑战。在本文中，我们以前的工作的基础上，我们找到了最大后验概率（MAP）的解决方案的定时偏移（TO），载波频率偏移（CFO），PN和压缩信道估计的混合架构的宽带毫米波MIMO系统的联合问题。仿真结果表明，与5G新无线电通信标准中的波束训练协议相比，使用显著更少的训练符号，可以实现低SNR状态下的联合同步和信道估计，并且可以获得接近最佳的数据速率。
2019-06-05 eess.SP
Bayesian Joint Synchronization and Localization Based on Asymmetric Time-stamp Exchange
在这项工作中，我们研究了超密集网络中的移动节点（MN）的联合同步和定位（sync&loc）。特别是，我们部署了MN和接入节点（AN）之间的非对称时间戳交换机制，传统上，为我们提供有关MN的时钟偏移和偏斜的信息。然而，有关AN和MN之间距离的信息也是交换时间戳所经历的传播延迟所固有的。此外，我们利用到达角（AoA）估计来确定时间戳交换数据包的传入方向，这给出了关于MN的位置的进一步信息。最后，我们采用贝叶斯递归滤波（BRF）结合上述信息，并联合估计MN的位置和时钟参数。仿真结果表明，该算法的位置和钟差估计的均方根误差分别小于1m和1ns。
2020-08-19 eess.SP
DNN-assisted Particle-based Bayesian Joint Synchronization and Localization
IHP – Leibniz-Institut für innovative Mikroelektronik（莱布尼茨创新微电子研究所）；Humboldt University of Berlin（柏林洪堡大学）；Technical University of Berlin（柏林工业大学）
在这项工作中，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。特别地，DePF在MU和接入点（AP）之间部署了非对称时间戳交换机制，传统上，该机制为我们提供关于MU的时钟偏移和偏斜的信息。然而，关于AP和MU之间的距离的信息也是交换的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分组的到达角，DePF利用由同步分组经历的信道脉冲响应（CIR）馈送的多信号分类算法。CIR还用于确定链路条件，即视距（LoS）或非LoS。最后，为了实现联合同步锁定，DePF利用粒子高斯混合，允许基于粒子的混合和参数贝叶斯递归滤波（BRF）融合上述信息，从而联合估计MU的位置和时钟参数。仿真结果验证了所提出的算法优于现有方案。特别是扩展卡尔曼滤波器和线性化BRF的联合同步锁定。特别地，仅利用同步时间戳交换和CIR，对于90个$\%$的情况，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。
2022-06-02 cs.AI cs.IT cs.LG
Broadband Synchronization and Compressive Channel Estimation for Hybrid mmWave MIMO Systems
同步是蜂窝系统中的基本过程，UE借此获取解码BS发送的数据所需的时间和频率信息。由于必须使用大型天线阵列来获得补偿小天线孔径所需的波束成形增益，因此必须与5G NR中的波束训练联合执行同步，或者如果要估计高维毫米波MIMO信道，则必须在低SNR状态下执行同步。为了避免这个问题，这项工作提出了第一个同步框架的毫米波MIMO是鲁棒的TO，CFO和PN同步错误，并与以前的工作，隐式地考虑使用多个RF链在发射机和接收机。我提供了一个理论分析的估计问题，并推导出HCRLB的CFO，PN和等效波束形成的信道看到的不同的接收RF链的估计。我还提出了两种新的算法来估计不同的未知参数，这依赖于近似的MMSE估计的PN和最大似然估计的CFO和等效波束形成的信道。此后，我提出使用等效波束成形信道的估计来执行高维频率选择性毫米波MIMO信道的压缩估计，从而进行数据传输。为了进行性能评估，我考虑了实现5G NR信道模型的MDRiGa信道模拟器，并表明在没有事先同步的情况下进行压缩信道估计是可能的，并且所提出的方法优于目前在5G NR中考虑的联合波束训练和同步的当前解决方案。
2020-05-02 eess.SP
A Hybrid Wired/Wireless Deterministic Network for Smart Grid
随着智能电网、机器人、自动驾驶汽车和工业自动化等时间关键型应用的快速增长，对高可靠性、低延迟和严格限制抖动的需求急剧增加。高精度的时间同步通信，如时间触发以太网（TTE），已经成功地开发了有线网络。然而，部署额外设备和额外布线的高成本限制了这些网络的可扩展性。因此，本文提出了一种基于高速TTE和5G超可靠低延迟通信（URLLC）相结合的混合有线/无线高精度时间同步网络。其主要动机是满足时间关键型应用（如智能电网同步相量通信）的低延迟、低抖动和高可靠性要求。因此，在所提出的混合网络架构中，高速TTE被认为是主总线（即，骨干网），而精确时间协议（PTP）辅助的基于5G-URLLC的无线接入被用作子网络。主要的挑战是实现PTP辅助URLLC和TTE之间的互操作性，同时确保高精度的定时和同步。仿真结果表明，PTP辅助URLLC的影响，在保持网络的可靠性，延迟和抖动与TTE网络完全协调。
2021-05-13 cs.NI eess.SP
Underwater Cooperative MIMO Communications using Hybrid Acoustic and Magnetic Induction Technique
未来的智能海洋应用需要长距离和可靠的通信，将水下传感器/机器人与远程地面基站连接起来。由于水声信道的恶劣性和动态性，实现这一目标具有挑战性。多输入多输出（Multiple-Input and Multiple-Output，MIMO）技术可以提高可靠性和传输范围，但由于波长较大，很难在单个水下设备上放置多个换能器。协作MIMO技术虽然可以解决这一问题，但由于声波的传播时延极大且动态变化，使得分布式的水下设备之间无法实现同步。为此，本文提出了一种基于声磁混合技术的水下协作MIMO通信机制。利用多波束融合技术可以很好地解决节点间的同步问题，使分布式声换能器能够协同形成窄波束，实现远距离水下通信。由于MI具有可忽略的信号传播延迟，同步时间和误差显著减少。为了定量地分析改进，严格推导出所提出的系统的同步误差、信噪比（SNR）、有效通信时间和吞吐量的封闭形式的表达式。所提出的混杂系统实现在一个软件定义的测试床下的波束成形和空时编码方案。通过数值分析和实际实验表明，与传统的水声系统相比，本文提出的混合协作MIMO机制具有更低的误比特率和同步误差。
2019-10-24 cs.IT eess.SP math.IT
Bayesian Jammer Localization with a Hybrid CNN and Path-Loss Mixture of Experts
1Dept. of Electrical \& Computer Engineering, Northeastern University, Boston, MA, USA 2Dept. of Computer Science, University of Massachusetts Boston, Boston, MA, USA
针对城市GNSS干扰定位中RSS重建不佳的问题，提出融合物理路径损耗与CNN的贝叶斯专家混合框架，实现高精度定位并量化不确定性。
2025-10-23 cs.LG eess.SP
Bayesian Compressive Channel Estimation for Hybrid Full-Dimensional MIMO Communications
高效的信道估计在全维多输入多输出通信系统中是具有挑战性的，特别是在具有混合数模架构的通信系统中。在压缩感知框架下，这封信首先设计了一个统一的字典的基础上的球形Fibonacci网格表示在稀疏域中的通道，产生更小的角度误差在三维波束空间比传统的字典。然后，贝叶斯推理辅助贪婪追求算法的频率域信道估计。最后，仿真结果表明，所设计的字典和提出的贝叶斯信道估计优于基准方案，并获得较低的归一化均方误差的信道估计。
2021-12-29 cs.IT eess.SP math.IT
Bayesian Multidimensional Scaling for Location Awareness in Hybrid-Internet of Underwater Things
水下物联网（IOUT）中传感器节点的定位由于其各种应用（例如导航、数据标记和水下物体检测）而具有相当重要的意义。因此，在本文中，我们提出了一种基于混合贝叶斯多维缩放（BMDS）的定位技术，该技术可以在完全混合的IOUT网络上工作，其中节点可以使用光学，磁感应和声学技术进行通信。这些技术已经用于水下环境中的通信;然而，缺乏定位解决方案。光和磁感应通信实现了短通信的更高数据速率。相反，声波为远程水下通信提供低数据速率。所提出的方法共同使用的光学，磁感应和声通信为基础的测距估计水下传感器节点的最终位置。此外，我们还分析了所提出的计划，推导出的混合克拉默-罗下界（HCRLB）。仿真结果提供了一个完整的比较分析所提出的方法与文献。
2021-09-07 cs.NI cs.SY eess.SP
Bayesian Bandit Beamforming with Implicit Channel Learning for RIS under Hybrid Near/Far-Field Propagation
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来智能网络研究院）
针对混合近/远场传播下RIS信道获取成本高的问题，提出带隐式信道学习的贝叶斯臂波束成形算法，通过汤普森采样等实现高效波束成形，仿真显示其性能优于基线方案且接近CSI基准。
2026-08-04 eess.SP
Hybrid Transceiver Design for Tera-Hertz MIMO Systems Relying on Bayesian Learning Aided Sparse Channel Estimation
设想了依赖于稀疏信道状态信息（CSI）估计技术的多输入多输出（MIMO）太赫兹（THz）系统中的混合收发器设计。首先，一个实用的MIMO信道模型开发的太赫兹波段，包括其分子吸收和反射损耗，以及其非视线（NLoS）射线与其扩散组件。随后，一种新的CSI估计模型推导出利用太赫兹MIMO信道的角度稀疏。然后，正交匹配追踪（OMP）为基础的框架的构想，其次是设计一个复杂的贝叶斯学习（BL）为基础的方法，有效地估计稀疏太赫兹MIMO信道。贝叶斯克拉美-罗下限（BCRLB）也被确定为基准性能的CSI估计技术的发展。最后，一个最佳的混合发送预编码器和接收机组合器对的设计，它直接依赖于波束域CSI估计，只需要有限的反馈。最后，仿真结果提供了量化的改进的均方误差（MSE），频谱效率（SE）和误比特率（BER）性能的实际太赫兹MIMO信道上的传输从高分辨率传输（HITRAN）数据库获得。
2022-01-11 eess.SP
Bayesian Learning-Aided Near-Field Channel Estimation for mmWave Hybrid MIMO systems employing Uniform Circular Array
Indian Institute of Technology Kanpur（坎普尔印度理工学院）；Indian Institute of Technology Jodhpur（焦特普尔印度理工学院）
本文提出环形贝叶斯信道学习框架，结合贝叶斯学习与近场信道估计，解决毫米波混合MIMO系统中用户进入近场区域的问题，并利用均匀圆阵提升波束成形性能。
2026-05-07 eess.SP
Efficient Hybrid Neuromorphic-Bayesian Model for Olfaction Sensing: Detection and Classification
Khalifa University（哈利法大学）；Center for Autonomous Robotic Systems（自主机器人系统中心）
本文提出卷积脉冲神经网络与贝叶斯脉冲神经网络结合的混合模型，用于机器人嗅觉检测与分类，在保证准确率的同时显著提升能效。
2024-06-05 cs.RO eess.SP
Bayesian Learning Aided Simultaneous Sparse Estimation of Dual-Wideband THz Channels in Multi-User Hybrid MIMO Systems
本研究针对多用户太赫兹混合MIMO系统的双宽带信道估计问题，提出贝叶斯组稀疏回归方法，结合实用信道模型和低分辨率ADC设计，通过仿真验证其在NMSE和BER性能上优于其他稀疏估计技术。
2025-11-15 eess.SP
A Driver Behavior Modeling Structure Based on Non-parametric Bayesian Stochastic Hybrid Architecture
本文提出一种基于高斯过程的随机混合系统框架，用于在模型驱动通信中联合建模驾驶员和车辆行为，通过非参数贝叶斯方法提升对不同随机行为的建模能力，实验显示在拥堵网络中性能显著提升。
2018-07-11 cs.SY eess.SP eess.SY
