本文介绍了对贝叶斯在线变点检测的推广，包括在线模型选择和非平稳时空过程。我们提出了空间结构化 Vector Autoregressions (VARs)，用于建模变点 (CPs) 之间的过程，并给出了此类模型的近似误差上限。所得的算法在线进行预测、模型选择和 CP 检测。其时间复杂度是线性的，空间复杂度是恒定的，因此比最接近的竞争者快两个数量级。此外，它在多元数据方面优于现有技术。

May, 2018

本文提出了一种名为贝叶斯状态空间异常检测（BSSAD）的新颖方法，该方法结合了贝叶斯状态空间和递归神经网络及自编码器的优势。通过粒子滤波器和集合卡尔曼滤波器等贝叶斯状态空间模型，在进行大量实验后，该方法在五个不同数据集上的表现均优于基线超过 0.95 的 F1 得分，并且提出了 Matthew Correlation Coefficient（MCC）作为更综合的准确性度量。

Jan, 2023

本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法，主要应用于化学传感器数据的处理，实验结果表明，该方法在公开数据集上的表现优于现有算法，能够有效检测出工业生产中的故障。

Aug, 2022

我们提出了一种新的灵活类的空间过程模型，称为空间贝叶斯神经网络（SBNNs），它通过将空间嵌入层和可能的空间变化的网络参数结合到贝叶斯神经网络中，能更好地匹配目标过程的有限维分布。

Nov, 2023

通过贝叶斯框架，使用稀疏源的混合问题，提出了一种对未观测源具有零原子和高斯分布的加权混合作为前任分布以促进稀疏度的下完备字典学习任务。

Aug, 2009

本文章提出了一种基于知识空间共享的模型，来解决广义零样本工业故障诊断任务中的领域转移问题，该模型通过生成机制和判别机制相结合，产生了一些新的数据用于训练，最终在 benchmark Tennessee-Eastman 进程上，该方法在广义零样本工业故障诊断问题上的表现超过了现有的其他方法。

Jun, 2023

使用多变量奇异谱分析（mSSA）和普通最小二乘法（OLS）算法，我们提出了一种名为 SAMoSSA 的新算法，可对时间序列数据进行分析，具有预测分析和模型识别功能。我们的算法可应对自回归噪音结构，提高数据处理的准确性达 5％至 37％。

May, 2023

使用贝叶斯非参数方法，将层次狄利克雷过程先验应用于两种切换动态模型，学习未知的持续光滑动态模式，同时推断动态依赖性的稀疏集，以学习具有变化状态维数的切换线性动态系统或具有变化自回归顺序的切换 VAR 过程，最终通过舞蹈蜜蜂序列、IBOVESPA 股票指数和机动目标跟踪应用程序展示模型的效用和灵活性

Mar, 2010

本文提出了一种基于贝叶斯循环神经网络的概率故障检测和识别方法，该方法具备模型复杂性、直接故障识别和故障传播分析等特点，并在对比实验中展示了卓越的性能。

Nov, 2019

本文提出了一种混合多种基础分类器的证据推理算法，并利用广义学习系统的基础分类器来进行实时多模式故障诊断。同时采用模拟标签学习方法对模型参数进行实时更新。

Apr, 2023