用于态势评估的贝叶斯网络研究综述

介绍了态势评估的发展现状,指出了贝叶斯网络用于态势评估的优点,对基于贝叶斯网络的态势评估技术研究的几个主要方面进行了总结和分析,着重探讨了现有态势评估贝叶斯网络中网络构建方法和时间推理技术,指出能充分编码军事领域知识、结合时间语义、能够实现模块化推理的贝叶斯网络是态势评估贝叶斯网络发展的趋势。作为参考,给出了几种贝叶斯网络的常用仿真工具。最后,分析了贝叶斯网络应用于态势评估面临的各种问题并试图给出一个有益的研究思路。     

基于改进DS证据理论和BN的信息安全风险评估

针对信息安全风险评估过程中专家评价意见的多样性以及不确定信息难以量化处理的问题,提出了一种基于改进的DS证据理论与贝叶斯网络(BN)结合的风险评估方法.首先,在充分研究信息安全风险评估流程和要素的基础上,建立了风险评估模型,确定风险影响因素;其次,根据评估模型并结合专家知识构建相应的贝叶斯网络模型,确定贝叶斯网络模型中的条件概率表;再次,利用基于权值分配和矩阵分析的改进DS证据理论融合多位专家对风险影响因素的评价意见;最后,根据贝叶斯网络模型的推理算法,计算被测信息系统处于不同风险等级的概率值,并对结果进行有效性分析.分析表明,将改进后的DS证据理论与贝叶斯网络应用到风险评估过程中,在一定程度上能够提高评估结果的可信度和直观性.     

面向战场态势评估的联合树相关推理

本文首先从战场态势与事件间的因果关系出发,构建了用于态势评估的贝叶斯网络推理模型;分析了联合树算法在态势评估中所存在的问题,结合基于D分离的相关推理在模型结构挖掘方面的特性,提出了一种联合树相关推理方法;最后,通过实验验证了该方法的有效性和准确性,为态势评估下的精确推理提供了一种有效的解决方案。     

动态贝叶斯网络在战场态势估计中的应用

贝叶斯网络用于态势估计时,系统参数不能及时调整,无法对未来时刻进行预测。为解决这一问题,对动态贝叶斯网络在战场态势评估中的应用进行了研究,引入时间因素,建立了网络模型,分析了概率参数与推理的过程,并利用卡尔曼滤波模型法对推理进行仿真实验。实验结果表明了动态模型推理的有效性。动态贝叶斯网络可以有效利用侦察数据中的时间信息,实时动态地处理影响分析和决策的种种因素,对指挥员的作战决策具有极大的参考价值。     

基于贝叶斯网络的战场目标威胁评估

准确地对战场目标的威胁等级进行评估,是战场辅助决策系统的一个重要环节.贝叶斯网是一种进行不确定分析和推理的有效方法.介绍了联合树贝叶斯网络推理算法,分析了战场目标的威胁等级评估涉及的主要因素,建立了相应的贝叶斯网络模型,并进行了实例推理分析,其结果比较准确地反映了目标的威胁程度.     

基于扩展贝叶斯网络的编队对地攻击效能评估

编队对地攻击作战的效能评估中,由于忽略不确定因素的影响,往往给评估结果造成较大误差。针对编队对地攻击作战效能评估中不确定因素的影响,提出一种基于扩展贝叶斯网络作战效能评估方法;分析了编队对地攻击中的不确定因素,根据不确定因素的特点,结合灰色模糊综合评判理论处理不确定因素的优势和贝叶斯网络在推理上的优点,提出扩展贝叶斯网络模型,该模型利用模糊理论处理不确定性的优势,将不确定因素转换为概率问题;结合贝叶斯网络较强的推理能力,综合评估编队对地突防、攻击作战效能,有效地解决了不确定因素的影响。仿真实例证明了该方法的实用性和有效性。     

基于贝叶斯网络近似推理的网络脆弱性评估方法

针对大规模计算机网络的脆弱性评估,提出了一种基于贝叶斯网络近似推理的评估方法,对网络各组件和影响网络安全的因素进行建模,采用模型检测工具生成攻击状态转移图,描述网络脆弱性的利用过程,通过采用随机采样的方法对网络的攻击状态转移图进行近似推理,经过对采样样本的统计分析得到网络脆弱性评估的量化结果,为提升网络的安全性能提供理论依据.     

采用贝叶斯网络的应召反潜目标态势评估

反潜目标态势评估是反潜指挥决策的重要依据,针对反潜作战中目标信息不充分、不确定程度高的问题,通过对直升机编队反潜的敌我对抗过程进行分析,提出基于贝叶斯网络的态势评估算法。算法通过构建敌我对抗过程的敌我关联网络、建立因果概率表、基于贝叶斯网络进行推理,实现目标类型和目标意图的识别。实验结果表明了网络推理的有效性。算法可以有效利用侦察到的目标信息,结合经验模型进行推理和识别,对指挥员的作战决策具有很好的参考价值。     

基于贝叶斯网络的态势估计方法

结合态势估计的特点,介绍了黑板结构和贝叶斯网络2种用于态势估计的方法,分析了各自的优缺点,并选取贝叶斯网络来进行态势估计。详细讨论了战场态势在贝叶斯网络中的知识表示和信息传播。针对静态贝叶斯网络难以捕捉动态战场信息的缺点,采用了动态搜索最佳网络的方法进行推理,为战场态势估计提供了新的思路。     

贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.