基于Bayes估计的WSN自适应路由算法

针对无线传感器网络中存在的路由请求域动态调整问题,提出一种基于Bayes估计的无线传感器网络自适应路由算法。该算法以圆柱形路由请求域的半径作为调整参数,利用Bayes估计对路由请求域进行自适应调整。仿真结果表明,该算法在数据包投递率、路由开销、数据包平均时延和网络剩余能量比率上的性能都优于AODVjr路由算法。     

一类指数型变量均值的Bayes 递进修正估计

基于统计决策理论,给出一种借助先验分布求解一类只有不完全样本的指数型变量均值的Bayes递进修正估计方法,并证明了该方法是最佳的。这是一种动态离散数据融合方法,能够根据观测样本的不断增加而修正估计结果。该方法在预估服役中的导弹武器性能方面具有重要的实用价值。     

基于Bayes估计的离散Kalman滤波相关观测融合

针对带相关观测噪声和带不同 未知观测函数的多传感器离散系统,在已有的融合算法基础上提出了基于Bayes估计的加权最小二乘(Bayes estimation weighted least squares,BYEWLS)分布式融合Kalman滤波算法。该方法充分利用未知参数的验前信息,以风险函数为评价指标,证明了BYEWLS融合算法优于WLS融合算法,针对YEWLS融合算法是有偏估计,提出了在线消除偏差的方法。分布式融合算法减少了计算负担,提高了融合精度,便于实时应用。最后通过仿真例子验证了该方 法的有效性和理论分析的正确性。     

基于多层Bayes估计的战略协同网络供应链可靠性研究

对战略协同网络中供应链可靠性进行分析和判定.得到了可靠度计算公式,并以此为依据收集定时截尾数据.根据战略协同网络供应链可靠性统计特性,建立两种Bayes估计方法和一种多层Bayes估计方法,分别应用于样本供应链可靠性评估中.在估计供应链失效率的基础上,对供应链町靠度进行估计.仿真结果显示,应用多层Bayes估计方法效果较好.     

Bayes网络学习的MCMC方法

基于Bayes统计理论, 提出了一种从数据样本中学习Bayes网络的Markov链Monte Carlo(MCMC)方法. 首先通过先验概率和数据样本的结合得到未归一化的后验概率, 然后使用此后验概率指导随机搜索算法寻找“好”的网络结构模型. 通过对Alarm网络的学习表明了本算法具有较好的性能.     

逐步II型截尾下表决系统可靠性指标的估计

利用逐步II型截尾样本,研究一种表决系统可靠性指标的估计问题。将经典统计方法和Bayes方法相结合,在平方损失下,推导出部件失效率、系统可靠度和平均寿命的经验Bayes估计。最后给出随机模拟例子,说明了该方法的正确性。     

一种反延时电路的可靠性评估

针对反延时难以实现的状况,提出了用延时电路并联实现反延时的方法,并用极大似然法和经验Bayes法讨论了系统可靠性评估问题,给出了系统失效率、可靠度和平均寿命等可靠性指标的估计。利用计算机Monte-Carlo随机模拟的方法对可靠性指标的Bayes估计和极大似然估计进行比较,结果表明,经验Bayes估计优于极大似然估计。     

逐步Ⅱ型截尾下表决系统可靠性指标的估计

利用逐步Ⅱ型截尾样本,研究一种表决系统可靠性指标的估计问题.将经典统计方法和Bayes方法相结合,在平方损失下,推导出部件失效率、系统可靠度和平均寿命的经验Bayes估计.最后给出随机模拟例子,说明了该方法的正确性.     

一种基于Bayes估计的WSN节点信任度计算模型

鉴于传统网络安全策略无法阻止或识别传感器网络内部节点的攻击或异常行为,结合节点资源受限的特点,提出了一种无线传感器网络节点信任度计算模型.该模型采用Bayes估计方法,通过求解基于Beta分布的节点行为信誉函数的期望值得到直接信任并将其作为Bayes估计的先验信息,将来自邻居节点的推荐信息作为其样本信息.仿真实验表明,本方案有较好的稳定性,能够有效识别异常节点,从而阻止内部节点对网络的攻击,与RFSN相比,不仅节约了存储空间、运算时间与通信量,而且能够避免恶评现象对节点信任度计算的影响.     

基于Bayes方法的软件运行剖面建模

软件运行剖面对于软件可靠性和软件测试具有重要意义,关于软件运行剖面建模,已提出多种方法。但是这些方法都未考虑先验信息,在现场测试数据匮乏的情况下,将这些先验信息丢弃不用,难以对实际运行剖面作出适当的估计。论文讨论了基于Bayes方法的软件运行剖面建模,该方法能够把先验信息与实际测试信息很好地结合起来,并给出了相应的算法。经仿真验证,基于Bayes方法的软件运行剖面建模方法能够较好地估计软件的实际运行剖面。     

基于贝叶斯估计与虚拟力导向混合遗传算法的无线传感网络定位方案

针对目前无线定位算法普遍存在的低精度问题提出一种新的定位及校正方法.首先利用贝叶斯估计法对多传感器传回的测量数据进行融合,初步确定各无线传感节点的所在位置;然后利用虚拟力导向方法对节点局部校正,利用混合遗传算法对节点全局校正.仿真结果表明,所提出方法与其他基于测距的算法相比,定位精度大大提高.     

基于生成树的无线传感器网络时钟同步算法

考虑到无线传感器网络时钟同步多跳误差累积问题,提出一种基于动态生成树的全网时钟同步算法,只需由根节点开始沿树边广播一次同步消息,全网待同步节点即可采用时钟偏差补偿,并结合贝叶斯后验估计算法对时钟进行准确估计。一个同步轮次内每个节点至多广播两次消息即可完成全网同步。使用OMNeT++软件进行仿真实验表明算法有效降低了多跳累积误差,提高了同步精度,且具有较快的收敛速度和较低的开销。     

一种基于误差修正的改进DV-Hop算法

节点定位技术是无线传感器网络中的一项关键技术,针对DV-Hop算法对不规则随机分布网络定位误差较大的问题,提出了一种基于误差修正的改进算法。该算法借鉴差分GPS思想,在DV-Hop算法距离估计阶段,利用信标节点的误差差分修正估计距离;同时充分考虑网络实际,通过多信标误差加权的方式获得估计距离修正值,以提高算法定位精度。通过仿真研究验证了改进算法的有效性。     

贝叶斯分类器的关联向量机多模型软测量建模

为了改善软测量模型的估计精度,提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类,并对不同类别的输入数据分别建立关联向量回归机子模型,用“切换开关”方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明：与单模型支持向量机相比,该方法估计精度较高,具有一定的应用价值。     

Dynamic traffic splitting to parallel wireless networks with partial information: A Bayesian approach

Contemporary wireless networks are based on a wide range of different technologies providing overlapping coverage. This offers users a seamless integration of connectivity by allowing to switch between networks, and opens up a promising area for boosting the performance of wireless networks. Motivated by this, we consider a networking environment in which users are able to select between the available wireless networks to minimize the mean processing times for file downloads in the presence of background traffic. The information available to the user is only the total number of jobs in each network, rather than the per-network numbers of foreground and background jobs. This leads to a complex partial information decision problem which is the focus of this paper.We develop and evaluate a Bayesian learning algorithm that optimally splits a stream of jobs that minimizes the expected sojourn time. The algorithm learns as the system operates and provides information at each decision and departure epoch. We evaluate the optimality of the partial information algorithm by comparing the performance of the algorithm with the “ideal” performance obtained by solving a Markov decision problem with full state information. To this end, we have conducted extensive experiments both numerically and in a simulation testbed with the full wireless protocol stack. The results show that the Bayesian algorithm has close to optimal performance over a wide range of parameter values.     

基于贝叶斯博弈模型的无线多跳网络激励机制

节点智能性的提高使无线多跳网络的应用更为多样化,但也使网络的安全问题变得更为突出。为了有效控制自私节点和恶意节点给网络带来的不良影响,在博弈论的基础上结合跨层优化思想,构建了物理层与链路层部分信息共享的贝叶斯博弈模型。利用贝叶斯博弈理论对节点的交互信息构建策略空间并进行推导分析,形成有效激励节点合作的互监督机制。最后,分别通过典型案例与计算机仿真实验验证了该网络模型的可行性和公平性。     

贝叶斯分类器的判别式参数学习

为了提高贝叶斯分类器的分类性能,针对贝叶斯网络分类器的构成特征,提出一种基于参数集成的贝叶斯分类器判别式参数学习算法PEBNC。该算法将贝叶斯分类器的参数学习视为回归问题,将加法回归模型应用于贝叶斯网络分类器的参数学习,实现贝叶斯分类器的判别式参数学习。实验结果表明,在大多数实验数据上,PEBNC能够明显提高贝叶斯分类器的分类准确率。此外,与一般的贝叶斯集成分类器相比,PEBNC不必存储成员分类器的参数,空间复杂度大大降低。     

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。