基于扩展关系模型的多Bayesian网依赖结构的合并

贝叶斯网是一个每个结点都带有一张概率表的有向无环图，它可以有效地表示不确定性知识并进行知识推理。知识系统在很多时候不得不将来自不同信息源或者同一信息源不同时刻的知识合并起来。Bayesian网作为一个知识系统，所以也会面临将多个Bayesian网提供的信息结合起来。本文提出一个基于扩展的关系数据模型和条件独立的算法，该算法将多个Bayesian网合并成为一个Bayesian网，并且尽可能地保留每一个Bayesian网的信息。     

Bayesian网中的独立关系

1 引言在不确定性下进行推理和做出决策的能力是智能行为的基础。在过去几十年中,大量研究人员尝试了多种方法研究不确定性知识的表示和运用,其中有证据理论模型、确定性因子、PROSPECTER模型、模糊集理论以及近年来逐渐成为主流的Bayesian网等。Bayesian网是图形表示方式和概率知识的有机结合.它揭示领域对象的内在结构,是复杂联合概率分布的紧凑表示方式。其坚实的理论基础、知识结构的自然表述方式、灵活的推理能力、方便的决策机制及有效的学习能力使其应用范围越来越广泛。首先说明文中不同变量的含义。如果没有特殊说明,文中大写字母X,Y,Z表示随机变量;小写字母x,y,z表示随机变量的取值;val(X)表示随机变量X的取值范围;黑体X,Y,Z表示随机变量的集合。 Bayesian网是一个有向非循环图,图中节点与知识领域的随机变量一一对应(文中不区分节点与变     

由Markov网到Bayesian网

Markov网（马尔可夫网）是类似于Bayesian网（贝叶斯网）的另一种进行不确定性揄的有力工具，Markov网是一个无向图，而Bayesian网是一个有向无环图，发现Markov网不需要发现边的方向，因此要比发现Bayesian网容易得多，提出了一种通过发现Markov网得到等价的Bayesian网的方法，首先利用信息论中验证信息独立的一个重要结论，提出了一个基于依赖分析的边删除算法发现Markov网，该算法需O（n^2)次CI（条件独立）测试，CI测试的时间复杂度取决于由样本数据得到的联合概率函数表的大小，经证明，假如由样本数据得到的联合概率函数严格为正，则该算法发现的Markov网一定是样本的最小L图，由发现Markov网，根据表示的联合概率函数相等，得到与其等价的Bayesian网。     

模糊H网

本文将提出一种表示能力很强的模糊Ｈ网，它可用来表示各种具有模糊行为的并行或并发系统，所以它在诸如何复杂大系统的仿真建模等方面有很多应用，模糊Ｈ网只需一种结点。物理上每个结点可用一个功能很小的微处理器来实现，于是，一个用于复杂应用的大型模糊Ｈ网可用一个由大量微征处理器构成的互连网络来实现。     

基于信息论的Bayesian网络结构学习算法研究

Bayesian网是一种进行不确定性推理的有力工具,它结合图型理论和概率理论,可以方便地表示和计算我们感兴趣的事件概率,同时也是对实体之间依赖关系提供了一种紧凑、直观、有效的图形表示。文中基于信息论中测试信息独立理论,对Bayesian网中各结点进行条件独立(CI)测试,以发现各结点的条件依赖关系,并通过计算结点之间的互相依赖度以发现Bayesian网边的方向,从而构造Bayesian网结构,算法的计算复杂度只需要进行O(N²)次CI测试。     

基于隐含变量信度网模型的脱机签名鉴别方法

本文提出一种新的基于信度网表示的签名鉴别方法。这种信度网表示方法和传统的信度网表示不同，其中的结点被划分成两类：共有结点和可选结点，以保证构造的网为树结构。该方法不仅可以获得每个结点的条件概率，而且可以表达与结点相关联的成分间的拓扑关系，以便对结构描述的不确定性和成分间的依赖关系进行处理。     

并发模型—Petri网

Pert网是一种适于描述和分析异步并发系统的有力工具。自1962年德国著名科学家C．APetri在他的博士论文“用自动机通讯”中首次提出这种模型以来，已被广泛地用于计算机、通信和自动控制等许多学科领域。特别是当今的高技术发展，高速计算和高速通信对并行技术的迫切需求，使得并发模型──Petri网越来越受到广泛重视，成为并行技术不可缺少的理论基础。一、Petri网是什么？Petri网从结构上说，实际上是一种有向二部图，它包含两类结点，分别称为位置结点和变迁结点。用图形表示时，一个位置给点表示为一个小圆圈，一个变迁结点表示为一…     

学习信度网的结构

一、等价的信度网结构学习信度网的结构,就是通过分析实例数据库,建立能够表达实例数据所包含信息的信度网的结构。任何一个由所有的结点(变量)构成的有向无环图都可能作为信度网的结构。如对图1(d)所示的关于吸烟、性别及肺癌的实例数据库,其三种可能的信度网结构如图1     

电力系统结线分析的有色Petri网方法

从离散事件动态系统角度考虑电力系统结线分析问题,提出了基本分析单元的有色Petri网模型以及基于该Petri网的结线分析算法,Petri网中的令牌代表结线分析中的结点,令牌的颜色表示连接在同一个结点上的元件,变迁将包含相同元件的结点连接在一起,论文对基于Petri网的结线分析算法及传统的算法进行了比较,并计算了一个模型系统各变电站的结点及网络的结线,表明了该方法的可行性及有效性。     

Petri网与CDFG相结合的调度模型及其调度技术的研究

论文提出一种Petri网与控制数据流图(CDFG)结构相结合的调度模型,以及基于该模型的调度技术。Petri网表示VHDL源描述中的I/O时序信息,Petri网同一个位置结点中的信号赋值都是在同一个时刻进行的。根据每个位置结点中的语句再生成各自的CDFG。CDFG中条件的计算显式地表示在数据流部分,便于操作的调度。该CDFG结构上前驱操作和后继操作的判断不但与数据依赖相关,还与操作的条件相关。调度过程中既要考虑直接的数据依赖关系,还要考虑与条件相关的间接依赖关系。传统的调度算法需要经过修改才能应用到该模型上。     

面向大规模工控网络的关键路径分析方法

针对大规模工控网络攻击图的量化计算耗时高、消耗资源大的问题,提出了一种大规模工控网络的关键路径分析方法。首先利用割集思想结合工控网络中的原子攻击收益,计算贝叶斯攻击图关键节点集合,解决目前割集算法只考虑图结构中节点关键性的问题。其次,提出一种只更新关键节点攻击概率的贝叶斯攻击图动态更新策略,高效计算全图攻击概率,分析攻击图关键路径。实验结果表明,所提方法在大规模工控攻击图的计算中,不仅可以保证计算结果的可靠性,而且能够大幅度降低方法耗时,显著提升计算效率。     

贝叶斯网络在电子系统故障诊断中的应用研究

电子系统大多结构复杂,各组成模块存在错综复杂、相互影响的关系,另外测点较少且测点数据常常是不完备的。针对此类情况,以某电源系统为研究对象,提出了基于贝叶斯网络的电子系统故障诊断方法。首先依据系统的结构获得其因果图,并对各测点信号进行离散化处理;其次建立用于故障诊断的贝叶斯网络模型,并且根据历史数据完成该网络的参数学习,最后利用获得的事实来实现故障的诊断。仿真结果验证了该方法的有效性,为电子系统的故障诊断提出了一种新的思路。     

基于贝叶斯网络的新媒体事件分类模型

为了对新媒体事件进行准确有效分类,提出一种将K-means算法和贝叶斯网络相结合的混合算法。该算法首先运用K-means算法将训练样本聚类,再根据聚类的结果,运用改进的贝叶斯网络对新媒体事件进行分类。其中,层次贝叶斯网络模型的构建,避免了贝叶斯网络在参数学习时陷入局部寻优;同时引入隐藏节点,更大程度满足了贝叶斯网络的条件独立假设。实验结果表明该算法效果明显。     

基于遗传算法的Bayesian网结构增量学习的研究

已建成的Bayesian网与领域环境间可能存在较大偏差,加之领域本身固有的动态变化特性,因此在观察到新数据时,改善Bayesian网的性能和优化网络结构是十分必要的.提出了一种基于遗传算法的Bayesian网(包含结构和参数)求精算法.该算法基于上次的求精结果把已有的不完备数据转化成完备数据,以期望充分统计因子作为已有数据的主要存储形式,基于本次求精过程中的当前最佳个体对新数据进行完备化,并由遗传操作综合利用新数据和已有数据进行求精.模拟实验结果表明,该增量学习算法能较有效地从不完备数据中求精Bayesian网.     

基于复合关系图卷积的属性网络嵌入方法

网络嵌入的目的是学习网络中每个节点的低维稠密向量,该问题吸引了研究者的广泛关注.现有方法大多侧重于对图结构的建模,而忽略了属性信息.属性化网络嵌入方法虽然考虑了节点属性,但节点与属性之间的信息关系尚未得到充分的利用.提出了一种利用丰富的关系信息进行属性网络嵌入的新框架.为此,我们首先为属性网络构造节点及其属性之间的复合关系,随后提出一个复合关系图卷积网络(composite relation graph convolution network, CRGCN)模型对这2种网络中的复合关系进行编码.在真实世界的数据集上进行了广泛的实验,结果证明了该模型在多种社交网络分析的有效性.     

A Network Security Risk Assessment Method Based on a B_NAG Model

Computer networks face a variety of cyberattacks. Most network attacks are contagious and destructive, and these types of attacks can be harmful to society and computer network security. Security evaluation is an effective method to solve network security problems. For accurate assessment of the vulnerabilities of computer networks, this paper proposes a network security risk assessment method based on a Bayesian network attack graph (B_NAG) model. First, a new resource attack graph (RAG) and the algorithm E-Loop, which is applied to eliminate loops in the B_NAG, are proposed. Second, to distinguish the confusing relationships between nodes of the attack graph in the conversion process, a related algorithm is proposed to generate the B_NAG model. Finally, to analyze the reachability of paths in B_NAG, the measuring indexs such as node attack complexity and node state transition are defined, and an iterative algorithm for obtaining the probability of reaching the target node is presented. On this basis, the posterior probability of related nodes can be calculated. A simulation environment is set up to evaluate the effectiveness of the B_NAG model. The experimental results indicate that the B_NAG model is realistic and effective in evaluating vulnerabilities of computer networks and can accurately highlight the degree of vulnerability in a chaotic relationship.     

一种网络环境中故障诊断与维修决策方法

本文将贝叶斯网络引入到大型网络故障管理系统中,从贝叶斯网络推理模型与故障诊断和维修决策问题的一致性出发,提出了基于故障假设、观测和维修操作节点结构的DBN模型,并详细阐述了模型的内涵和故障诊断知识构成要素     

用于风险管理的贝叶斯网络学习

结合专家知识和数据进行贝叶斯网络学习.首先利用专家知识建立初始贝叶斯网络结构和参数;然后基于变量之间基本依赖关系、基本结构和依赖分析方法,对初始贝叶斯网络结构进行修正和调整,得到新的贝叶斯网络结构;最后将由专家和数据确定的参数合成为新的参数,得到融合专家知识和数据的贝叶斯网络.该方法可避免现有的贝叶斯网络学习过于依赖数据、对数据的数量和质量要求过高等问题.     

基于图卷积的异质网络节点分类方法

图神经网络能够有效学习网络语义信息,在节点分类任务上取得了良好的效果.但仍面临挑战：如何充分利用异质网络丰富语义信息和全面结构信息使节点分类更精准.针对上述问题,提出了一种基于图卷积的异质网络节点分类框架(heterogeneous network node classification framework, HNNCF),包括异质网络约简和图卷积节点分类,解决异质网络节点分类问题.通过设计转换规则约简异质网络,将异质网络化简为语义化同质网络,利用节点间的关系表示保留异质网络多语义信息,降低网络结构建模复杂度;基于消息传递框架设计图卷积节点分类方法,在语义化同质网络上学习无1-sum约束的邻居权重等网络结构信息,深入挖掘关系语义特征,发现不同连接关系和邻居语义提取的差异性,生成节点的异质语义表示用于节点分类,识别节点类别标签.在3个公开的节点分类数据集上进行了实验,结果表明HNNCF能够充分利用异质网络多种语义信息,有效学习邻居节点权重等网络结构信息,提升节点分类效果.