基于贝叶斯网络的多传感器目标识别算法研究

基于贝叶斯网络能够组合多种证据进行不确定性表达和推理的特点,提出以贝叶斯网络为基本结构的目标融合识别模型.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构.首先对各传感器的数据分别进行融合,然后应用贝叶斯网络推理算法对多种传感器融合结果进行融合计算,最后根据假定变量各状态的概率取值来判断目标平台类型.仿真结果证明了该方法直观、形象,计算速度快,降低了实用的复杂度,提高了目标识别的可靠性.     

基于贝叶斯网络的博弈融合态势评估方法

贝叶斯网络作为一种知识表示和进行概率推理的方法,在不确定性推理决策问题中得到了广泛的应用.针对态势评估系统需要对大量不确定性知识进行处理的情况,利用贝叶斯网络技术,结合博弈论的思想,提出了一种博弈融合态势评估的新算法,并以一个实例来说明该算法计算过程的可行性,指出了贝叶斯网络在实际应用中存在的问题.     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

一种用于汽车发动机故障诊断的贝叶斯网络模型

在汽车发动机故障诊断领域,由于设备内部的复杂性和导致故障的不确定因素,使得解决不确定性问题成为目前发动机故障诊断的首要问题;文章提出了一种用于解决不确定性问题的贝叶斯网络模型,该模型的网络结构学习采用了基于簇的搜索算法;为了获得更高准确率的故障诊断结果,模型加入了对当前信息集的采用,进行结构和参数的在线学习,改进了网络结构,网络通过概率传播算法,推理出产生故障的原因节点;在实例中表明,该模型能准确有效地解决发动机故障诊断中存在的不确定性问题,并与专家系统故障诊断模型做出比较,验证了基于该算法的贝叶斯网络模型在信息不确定性条件下能够提高诊断的准确率。     

基于改进贝叶斯网络的健康大数据分类模型

贝叶斯网络是数据挖掘领域的研究热点,它是一种确定事物间不确定性依赖关系的有效工具。本文研究传统贝叶斯网络结构学习算法的优点和不足,并针对原算法的不足之处提出了改进。将改进后的算法应用于健康大数据集上,确定了数据集中各个健康属性之间的依赖关系,建立了相关属性依赖关系的网络结构。最终运用该网络结构对数据集中的数据进行自动分类。实验结果表明,本文基于贝叶斯网络建立的健康大数据分类模型具有良好的性能,实现了预期效果。     

贝叶斯网络在态势估计中的应用

战场态势分析是指挥决策的基础,如何进行合理的态势估计是当前战场指挥系统中最重要的组成部分。该文介绍了贝叶斯网络推理算法,分析了态势估计问题的本质特征和推理模式。提出了将贝叶斯网络用于态势估计,建立态势估计推理模型,该模型能够进行融合推理得到完整的战场态势信息,为决策提供依据。     

对一种贝叶斯网络学习算法的改进及试验分析

贝叶斯网络是上世纪80年代发展起来的一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。然而由于贝叶斯网络的推理和贝叶斯网络的学习问题都是NP难的,其实际应用受到很大限制。贝叶斯网络推理是利用它进行决策、诊断、分类、预测等应用的基础,其本质任务是计算边缘概率分布。当网络比较复杂时,推理将变得不可行。多模块的贝叶斯网络(MSBN)从简化模型本身出发,对贝叶斯网络进行了扩展。我们则提出了一种用于MSBN中的近似推理算法,这些都大大拓宽了贝叶斯网络的应用领域。     

可分性判据在中文网页分类中的应用

提出了一种改进的基于统计的中文网页的分类算法。通过对传统的基于计算相似度文本分类方法和基于贝叶斯模型文本分类算法的研究，我们对贝叶斯模型分类算法进行了改进，提出了利用一种基于概率分布的可分性判据分类方法，即用类别密度函数似然比来增加特征词的可分性信息的算法。通过对计算相似度方法，贝叶斯方法及改进的贝叶斯方法的对比实验表明，改进算法可以使类与类的间隔最大化，因而具有较高的分类精确率和召回率。     

基于贝叶斯网络和多传感器的障碍物识别系统

针对无人车获得的障碍物信息的不确定性和不完整性以及贝叶斯分类器对不完整信息比较敏感等不足,选择了贝叶斯网络分类方案。该方案在构建贝叶斯网络模型时,将贝叶斯推理运用其中,提高了贝叶斯网络的识别率。该分类系统依托某研究所无人车项目,通过激光雷达和CCD传感器获取障碍物实时信息,为网络模型提供数据信息。     

基于模糊动态贝叶斯网络的辐射源威胁估计

针对复杂电磁环境下观测数据的不确定性,建立辐射源威胁评估的离散模糊动态贝叶斯网络模型。对连续观测值通过模糊分类函数进行模糊分类,获得连续观测值属于各个模糊集合的隶属度,结果作为离散模糊动态贝叶斯网络的输入。对动态贝叶斯网络的推理算法进行了改进,使其能处理具有多个状态的观测值。仿真结果表明,依据离散模糊动态贝叶斯网络所建立的辐射源威胁评估模型,能够准确跟踪战场态势的变化,及时发现态势的转换边界,而且在观测值出现大量错误时,仍然可以给出正确的评估结果。     

贝叶斯决策树在客户流失预测中的应用

针对电信企业客户流失问题,提出采用贝叶斯决策树算法的预测模型,将贝叶斯分类的先验信息方法与决策树分类的信息熵增益方法相结合,应用到电信行业客户流失分析中,分别将移动公司的客户数据以及UCI数据纳入到模型中得出相应的结果。加入贝叶斯节点弥补决策树不能处理缺失值以及二义性数据的缺点。检验结果表明,基于贝叶斯推理的决策树算法在牺牲了较小的训练时间与分类时间的情况下,得到了比仅基于决策树算法更高的覆盖率与命中率。     

结合自助抽样的动态数据流贝叶斯分类算法

动态数据流具有数据量大、变化快、随机存取代价高、详细数据难以存储等特点,挖掘动态数据流对计算能力与存储能力要求非常高。针对动态数据流的以上特点,设计了一种基于自助抽样的动态数据流贝叶斯分类算法,算法运用滑动窗口模型对动态数据流进行处理分析。该模型以每个窗口的数据为基本单位,对窗口内的数据进行处理分析;算法采用自助抽样技术对待分类数据中的属性进行裁剪和优化,解决了数据属性间的多重线性相关问题;算法结合贝叶斯算法的特点,采用动态增量存储树来解决动态样本数据流的存储问题,实现了无限动态数据流无信息失真的静态有限存储,解决了动态数据流挖掘最大的难题——数据存储;对优化的待分类数据使用all-贝叶斯分类器和k-贝叶斯分类器进行分类,结合数据流的特性对两个分类器进行实时更新。该算法有效克服了贝叶斯分类属性独立性的约束和传统贝叶斯只对静态数据分类的缺点,克服了动态数据流最大的难题——数据存储问题。通过实验测试证明,基于自助抽样的贝叶斯分类具有很高的时效性和精确性。     

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题。针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法。首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类。与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。     

Multiscale Bayesian texture segmentation using neural networks and Markov random fields

This paper presents a wavelet-based texture segmentation method using multilayer perceptron (MLP) networks and Markov random fields (MRF) in a multi-scale Bayesian framework. Inputs and outputs of MLP networks are constructed to estimate a posterior probability. The multi-scale features produced by multi-level wavelet decompositions of textured images are classified at each scale by maximum a posterior (MAP) classification and the posterior probabilities from MLP networks. An MRF model is used in order to model the prior distribution of each texture class, and a factor, which fuses the classification information through scales and acts as a guide for the labeling decision, is incorporated into the MAP classification of each scale. By fusing the multi-scale MAP classifications sequentially from coarse to fine scales, our proposed method gets the final and improved segmentation result at the finest scale. In this fusion process, the MRF model serves as the smoothness constraint and the Gibbs sampler acts as the MAP classifier. Our texture segmentation method was applied to segmentation of gray-level textured images. The proposed segmentation method shows better performance than texture segmentation using the hidden Markov trees (HMT) model and the HMTseg algorithm, which is a multi-scale Bayesian image segmentation algorithm.     

分布式贝叶斯检测融合优化算法及其计算机仿真

该文研究了利用分布式多传感器获得全局决策的分布式信号检测问题。在这种检测系统中各传感器将其各自关于观测对象的决策传送至融合中心,融合中心根据融合规则给出全局决策。研究重点是基于贝叶斯准则的分布式并联检测融合系统的数据融合理论,给出了使系统全局最优的融合规则和传感器决策规则,提出了对融合规则和传感器决策规则进行优化计算的非线性高斯一赛德尔算法,具体讨论了两相同传感器、两个不同传感器和三个相同传感器在具有独立观测时的数据融合问题。给出了利用本文所提算法对上述几种情况进行计算机仿真的仿真实例。仿真结果表明：融合系统的性能相对传感器有显著改善,采用三个相同传感器的融合系统,其贝叶斯风险下降了26．5％。     

基于贝叶斯方法的决策树分类算法

针对数据挖掘的特点和本质,充分利用贝叶斯方法和决策树分类的优点,将贝叶斯的先验信息方法与决策树分类的信息增益方法相结合,提出了一种新的数据挖掘分类算法(BD1.0算法),并对此算法进行了设计和分析。实验分析表明,该算法可以处理不一致或者不完整数据等“脏数据”,比单纯使用贝叶斯方法或决策树方法具有更高的准确率,而且与C4.5算法具有近似的时间复杂度。     

基于显露模式的数据流贝叶斯分类算法

基于模式的贝叶斯分类模型是解决数据挖掘领域分类问题的一种有效方法.然而,大多数基于模式的贝叶斯分类器只考虑模式在目标类数据集中的支持度,而忽略了模式在对立类数据集合中的支持度.此外,对于高速动态变化的无限数据流环境,在静态数据集下的基于模式的贝叶斯分类器就不能适用.为了解决这些问题,提出了基于显露模式的数据流贝叶斯分类模型EPDS（Bayesian classifier algorithm based on emerging pattern for data stream）.该模型使用一个简单的混合森林结构来维护内存中事务的项集,并采用一种快速的模式抽取机制来提高算法速度.EPDS采用半懒惰式学习策略持续更新显露模式,并为待分类事务在每个类下建立局部分类模型.大量实验结果表明,该算法比其他数据流分类模型有较高的准确度.     

基于互信息可信度的贝叶斯网络入侵检测研究

传统贝叶斯入侵检测算法没有考虑不同属性和属性权值对入侵检测结果的影响,因此分类准确率不够高.针对传统贝叶斯入侵检测算法存在的不足,提出基于互信息可信度的贝叶斯网络入侵检测算法.在综合考虑网络入侵检测数据特点和传统贝叶斯分类算法优点的基础上,用互信息相对可信度进行特征选择,删除一些冗余属性,把互信息相对可信度作为权值引进贝叶斯分类算法中,得到优化的贝叶斯网络入侵检测算法(MI-NB).实验结果表明,MI-NB算法能大大降低分类数据的维数,比传统贝叶斯入侵检测算法及改进算法有更高的分类准确率.     

数据融合在目标识别中的应用

介绍了数据融合及其一般功能模型、目标识别融合的三种结构层次 ,给出了目标识别融合的一般分类 ,即物理模型算法、参数分类算法、基于认识模型的算法。着重阐述和比较了参数分类算法中的Bayes理论和证据理论这两种不确定推理方法 ,给出了这两种方法的发展状况。列举了利用融合算法进行生物和军事目标识别的实例。     

三支决策朴素贝叶斯增量学习算法研究

增量学习利用增量数据中的有用信息通过修正分类参数来更新分类模型,而朴素贝叶斯算法具有利用先验信息以及增量信息的特性,因此朴素贝叶斯算法是增量学习算法设计的最佳选择。三支决策是一种符合人类认知模式的决策理论,具有主观的特性。将三支决策思想融入朴素贝叶斯增量学习中,提出一种基于三支决策的朴素贝叶斯增量学习算法。基于朴素贝叶斯算法构造了一个称为分类确信度的概念,结合代价函数,用以确定三支决策理论中的正域、负域和边界域。利用三个域中的有用信息构造基于三支决策的朴素贝叶斯增量学习算法。实验结果显示,在阈值[α]和[β]选择合适的情况下,基于该方法的分类准确性和召回率均有明显的提高。