GNW条件事件代数的原理和应用

介绍了Goodman等提出的GNW条件事件代数的原理和性质，该代数系统在三值逻辑基础之上，在确保规则概率与条件概率相容的前提下，把布尔代数上的逻辑运算推广到条件事件（规则）集合中。     

条件事件代数在专家系统中的应用研究

条件事件代数是在确保规则概率与条件概率相容的前提下,把布尔代数上的逻辑运算推广到条件事件（规则）集合中的逻辑代数系统,本文介绍了条件事件代数的基本原理和性质,并利用条件事件代数解决了专家系统的规则循环问题,克服了传统谓词逻辑在推理过程中的局限性。     

条件事件代数研究综述

综述了条件事件代数理论的原理、主要性质和应用．条件事件代数是一门新兴的解决不确定性、概率性和模糊性推理问题的学科,是在确保规则概率与条件概率相容的前提下,把布尔代数上的逻辑运算推广到条件事件(规则)集合中得到的代数系统,目的是为智能系统中的条件推理建立一个数学基础．该文也对比条件事件代数更一般的逻辑系统——关联事件代数理论进行了介绍．     

基于事件代数的入侵检测系统

该文提出了一种基于事件代数的多事件入侵特征的形式化定义机制,用一组事件运算来表示入侵特征,对多事件入侵检测特征定义中的若干普遍问题给出了系统化的解决方案。文章还提出了一种“带约束的有色Petri网模型”来构造事件检测引擎。     

基于遗传算法的贝叶斯网分解

首先定义了贝叶斯网(BN)分解的相关概念,提出了基于遗传算法的BN分解算法(BDGA),给出了BDGA算法的编码和适应度函数的表示方法,设计了BDGA算法的选择、交叉、变异算子,并得到不同种群大小情况下四个贝叶斯网Medianus Ⅰ、MedianusⅡ、Sparse和Dense的分解结果.结果表明BDGA能有效搜索全局最优的BN分解结构,在和Kjaerulff综合的采用10种算法分解这四种贝叶斯网的结果相比,BDGA算法超过10种算法的9个,和模拟退火算法具有同样好的结果.BDGA算法能实现准确求解BN的分解结构,为实现BN的联合树结构上的推理奠定了基础.     

基于时延Petri网的DEDS的代数模型

用一种新的算子建立了结构无竞争时延Petri网和资源分配型时延Petri网的动态方程,为该类系统的分析和控制提供了研究工具.     

一种带隐变量贝叶斯网的事件诱因估计方法

事件诱因是诱导事件发生的因素,从事件特征数据构建事件诱因模型,进行事件诱因估计,是解决舆论控制、精准决策支持和用户行为定向等问题的重要基础.本文以公共突发事件为背景,以贝叶斯网为不确定性知识表示和推理的基本框架,以多值隐变量来描述事件诱因的多个取值,提出一种基于带隐变量贝叶斯网(隐变量模型)的事件诱因模型构建方法,进而利用概率推理算法估计事件诱因.针对事件诱因存在多个取值的问题,本文基于分支限界思想提出最优取值子集提取算法.建立在真实数据集上的实验结果表明,本文提出的事件诱因模型构建方法及相应的诱因估计方法是有效的.     

InforSIB事件代数的形式化框架与代数性质

复合事件处理系统多节点处以及系统外部生成的大量的、连续到达的事件,通过规则匹配、推理等方法对事件模式进行检测,连续输出经过组合后的复合事件,以触发相应的后继处理。事件查询语言是规约事件模式的声明性语言,事件代数决定了事件查询语言的表达能力,同时也间接影响了事件检测的性能。因此,在权衡检测性能与事件查询语言的表达能力时,深入分析事件代数是非常重要的手段。基于White事件代数,扩展了事件代数的形式化框架,在形式化框架中考虑复合事件在更精细的时间关系下的语义定义,以增强事件代数的表达能力,同时考虑与应用相关的事件选择和消费策略-上下文策略,以提高事件检测的性能。讨论了InforSIB事件代数的代数性质,提出的上下文策略非常适合用于实时监控等领域,且具有良好的代数性质,保证了复合事件检测的时间和空间复杂度是有界的。     

基于贝叶斯网的决策表系统的优化分解

提出了决策表系统的基于广义决策函数(GDF)与基于贝叶斯网的分解方法是等价的;指出决策表系统的分解问题可归结为求解与决策表系统相应的多模块贝叶斯网(MSBN)及其d-割集;对同一个贝叶斯网(BN)具有不同的d-割集,存在不同的分解模式,提出并证明了MSBN的d-割集和连接联合森林(LJF)的割集之间的关系,而且LJF的割集决定着MSBN优化的d-割集,这样决策表系统分解问题也就是求解LJF的割集;最后通过案例说明提出的方法的可行性.     

基于贝叶斯网络理论的交通事件预测模型

在综合考虑影响交通安全因素的基础上,采用贝叶斯网络理论,提出了一种交通事件预测模型。在模型的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算各类交通事件发生的可能性,从而达到预测的目的。最后对该模型进行仿真实验,并对实验结果进行了分析,验证了模型的有效性。     

基于MLN的中文事件论元推理方法

现有的中文事件论元抽取方法大多利用句法结构来表示论元和触发词之间的关系,该方法无法抽取与触发词距离较远且不在同一个子句中的论元。为了解决上述问题,基于马尔科夫逻辑网络(MLN),通过学习训练语料中实体填充不同角色的概率和测试语料中部分已知论元信息,来抽取其他可信度低或缺乏有效信息的论元。在ACE 2005中文语料上的实验结果表明,所提方法与基准系统相比,系统性能在论元识别和论元角色分配阶段分别提高了6.0%和4.4%。     

基于条件随机域的中文事件类型识别

传统的分步骤事件抽取方法中,事件元素识别的结果无法指导事件类型识别,而事件类型识别的效果在很大程度上决定了事件抽取系统的整体性能。文中为解决事件类型识别对元素识别的后向依赖问题,将事件抽取看作序列标注,构建一个改进的条件随机域联合标注模型,将事件类型和事件元素在图模型中同时进行标注。同时,通过触发词嵌入试图解决事件抽取中的数据不平衡问题。ACE 2005中文语料上的实验表明,基于该模型的方法提高了事件类型识别的性能,最终F值达到63。53%。     

基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法研究

伴随流式数据处理需求而产生的复杂事件处理技术,在处理具有多样性和流式特征数据方面性能表现突出,被广泛应用于复杂事件大数据处理系统中。针对复杂事件大数据处理系统测试需求,提出一种基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法,该方法以部分真实数据中的复杂事件结构关系及概率分布特征构建贝叶斯网络预测模型,生成具有真实数据结构特征与分布特征的复杂事件测试数据集。实验结果表明,提出的方法具有可行性。     

基于描述逻辑的传感器网络事件检测

基于异构数据源的事件检测是物联网上的一类典型应用。现有技术已经可以实现对异构数据源的收集、过滤、表示及部分数据的低层次融合和分析,但对于隐藏结论获取等高层次信息融合仍然需要人工参与。针对这种情况,给出了基于轻量级描述逻辑εL⁺⁺的传感器网络事件检测方法,实现特定领域事件的实时自动检测。首先,针对传感器网络中的具体场景,用εL⁺⁺对传感器网络领域知识进行刻画;然后应用描述逻辑对待判定事件进行形式化描述;最后借助描述逻辑推理机制实现事件的自动检测。该方法充分发挥了描述逻辑的知识表示和推理能力,能够基于领域知识和具体数据进行自动的事件检测。     

基于层叠条件随机场的事件因果关系抽取

传统的事件因果关系抽取方法只能覆盖文本中的部分显式因果关系。针对这种不足,提出一种基于层叠条件随机场模型的事件因果关系抽取方法。该方法将事件因果关系的抽取问题转化为对事件序列的标注问题,采用层叠(两层)条件随机场标注出事件之间的因果关系。第一层条件随机场模型用于标注事件在因果关系中的语义角色,标注结果传递给第二层条件随机场模型用于识别因果关系的边界。实验表明,本文方法不仅可以覆盖文本中的各类显式因果关系,并且均能取得较好的抽取效果,总体抽取效果的F1值达到85。3%。     

基于贝叶斯推理的目标跟踪

该文描述了基于贝叶斯推理的目标跟踪算法,可应用于非线性、非高斯系统中。介绍了贝叶斯跟踪基本概念。讨论了单目标跟踪算法及在不考虑数据关联、考虑数据关联两种情况下的多目标跟踪算法。给出了每种跟踪算法应满足的假设条件及其递归方程。最后,简要介绍了在工程中应用的具体算法。