军事工程毁伤评估的组合智能模型

鉴于军事工程毁伤的复杂性,提出了基于组合智能评估模式的军事工程毁伤评估模型。以军事工程毁伤评估体系结构及其特征与功能约束为基础,设计军事工程毁伤效果组合智能评估的构件化模式,建立军事工程毁伤效果组合智能评估机制;以智能优化算法提高军事工程毁伤效果评估效率为目标,设计了一种易于仿真推理的军事工程毁伤效果组合智能评估流程。以人工神经网络为主体,集成小波分析和遗传算法,建立军事工程毁伤效果评估的非线性智能组合评估模型,应用于军事工程抗精确打击毁伤分析。案例表明,非线性组合智能评估模型充分发掘不同算法的差异优势,仿真实验验证了组合设计的可行性。     

一种基于贝叶斯网络的作战重心评估模型

作战重心（Center of Gravity）是指战役体系中敌我双方的关键环节。作战重心评估是一个经验性、模糊性的过程。贝叶斯网络作为一种不确定知识表示模型,具有概率论及图论基础,对于解决复杂系统决策问题具有较强的优势,适合用于作战重心评估。文中提出并实现了一种基于贝叶斯网络推理的作战重心评估模型。通过该模型,可以定量地评估各个环节对于证据的重要程度,从而确定该作战过程中的作战重心。文中使用联合树（Clique Tree）算法进行贝叶斯网络精确推理,并详细阐述了推理过程中联合树建立,消息传递的过程。最后通过实例验证,基于贝叶斯网络推理的模型能够有效地对作战重心进行定量的评估。     

军事工程毁伤评估与抢修计划生成机制研究

提出了军事工程毁伤评估与抢修计划生成的发展要求和应对策略。在抽象描述军事工程火力毁伤与抢修行动、任务及其特征基础上,从作战计划系统技术、计算机兵力生成、模型规范化等角度,论证了军事工程毁伤评估与抢修计划生成的发展要求,提出了军事工程毁伤评估与抢修计划生成工作原理,建立了军事工程毁伤评估与抢修计划生成开发框架;立足总体设计、技术体系、关键技术、特征指标等方面,给出了应对策略,为军事工程毁伤评估与抢修计划生成的研究工作提供了科学指南。     

用于态势评估中因果推理的贝叶斯网络

1 引言贝叶斯网络是由R.Howard和J.Matheson于1981年提出来的,它主要用来表述不确定的专家知识。后来经过J.Pearl,D.Heckerman等人的研究,贝叶斯网络的理论及算法有了很大的发展。作为一种知识表示和进行概率推理的框架,贝叶斯网络在具有内在不确定性的推理和决策问题中已经得到了广泛的应用,例如概率专家系统、计算机视觉和数据挖掘等。     

贝叶斯网络推理的研究与分析

贝叶斯网络是人工智能中不确定知识表示和推理的有力工具。介绍了贝叶斯网络的概念,给出一个实例,分析了贝叶斯网络推理的方法和过程。     

基于贝叶斯网络的硬件产品设计缺陷评估

为了预测硬件产品设计研发过程中的设计缺陷,提出利用贝叶斯网络构建产品设计缺陷评估模型。通过故障树建立评估模型的贝叶斯网络结构,利用证据推理方法确定评估模型的概率。研究案例表明,该方法可分析缺陷因素对设计缺陷的影响关系,实现对产品设计缺陷的定量预测,研究结果与实际情况对比具有较好的符合性。     

贝叶斯网络推理的研究与分析

贝叶斯网络是人工智能中不确定知识表示和推理的有力工具.介绍了贝叶斯网络的概念,给出一个实例,分析了贝叶斯网络推理的方法和过程.     

基于贝叶斯网络EM算法模型的工控蜜罐识别

随着工控设备越来越多暴露于互联网,面临的安全威胁不断增加,主动防御已经成为一种必要的防御手段,蜜罐技术是一种有效的主动防御技术。攻击者为了攻击真实的资产设备,研究人员开始研究识别蜜罐的方法。对蜜罐进行准确识别涉及到许多不确定性因素。贝叶斯网络用于解决不确定性问题,与蜜罐识别问题相符合。基于蜜罐识别与贝叶斯网络的特点,提出了贝叶斯网络参数学习EM算法模型的工控蜜罐识别方法。首先,介绍了贝叶斯网络的理论基础及贝叶斯网络用于蜜罐识别的优势;接着,描述参数建模所用算法及预测推理算法,完成用于识别蜜罐的贝叶斯网络模型;最后,通过与SVM、KNN、随机森林和Native bayes算法作对比实验,验证所采用贝叶斯网络EM算法训练模型的性能更优,该模型借助贝叶斯联结树推理算法来完成预测识别,通过实例分析进行验证。实验结果表明,用EM算法训练的模型对于识别蜜罐是有效的。     

面向广义质量体系的软件质量贝叶斯评估模型

现有软件质量评估模型主要关注软件系统的基本质量特性,缺乏考虑顾客价值特性和开发商组织管理特性,不能全面和科学地评估软件系统质量.文章以贝叶斯网络刻画了广义质量特性变量间复杂依赖关系,构建了更有针对性的软件质量量化评估模型.应用实例表明,该模型能综合考虑软件系统广义质量特性,对软件质量作出合理评价,并能依据贝叶斯网络的反向推理功能找到影响软件质量的关键因素.     

基于贝叶斯网络的网络安全评估方法研究

通过分析贝叶斯网络在计算机网络安全评估中的适用性,提出了一种新的网络安全评估方法。将贝叶斯网络应用于网络安全评估,建立了不依赖于安全漏洞的安全评估模型,引入虚拟主机概念解决多层网络结构的安全评估问题。结果表明,基于贝叶斯网络的网络安全评估方法能够综合考虑网络的特性(即先验信息)和环境(样本信息),减少主观偏见和噪声影响,能够缩短网络安全评估时间,而且易于实现。     

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。     

基于贝叶斯网络的威胁识别

对威胁进行准确识别是威胁评估的重要内容之一,它涉及到许多不确定性因素.贝叶斯网络是处理不确定性知识的有效工具.根据威胁识别与贝叶斯网络的特点,提出了基于贝叶斯网络的威胁识别方法.首先简单介绍了贝叶斯网络及其优点,然后根据一个具体的实例,建立了威胁识别的贝叶斯网络模型,并阐述了贝叶斯网络用于威胁识别的推理流程.通过对实例的计算结果表明,利用贝叶斯网络能够准确识别威胁,并能有效地处理不确定性信息.     

基于贝叶斯网络的列控系统安全风险评估方法

为科学评估列车运行控制系统内各危险导致的事故风险,用贝叶斯网络描述危险、风险和事故后果间的因果关系。通过识别系统中的潜在危险、危险导致事故的发生率和严重程度,结合贝叶斯网络处理不完备数据的优势,建立基于贝叶斯网络的风险评估模型,计算危险导致事故发生的可容忍危险率,判断系统能否满足安全要求并达到设定的安全目标。以美国的列车保护警报系统和I级铁路事故/事件数据库为例,利用该模型进行风险评估,结果表明4个初始危险导致的事故可容忍危险率小于规定值,验证了模型的有效性,为列控系统风险评估的具体实施方法提供了新思路。     

基于高斯云贝叶斯网络的空战态势评估

对空战态势评估中需要考虑的因素进行了分析,建立了基于高斯云贝叶斯网络的空战态势评估模型,并利用高斯云贝叶斯网络的推理方法进行了仿真计算。仿真结果表明,该方法可以给出敌机的态势评估值以及以概率的方式给出敌机对我机的态势等级,为空战态势评估提供了新的思路。     

基于贝叶斯网络的本体不确定性推理

运用OWL语言扩展了本体对领域知识的不确定性表示,并基于贝叶斯网络实现了本体领域知识的不确定性推理。实验表明将贝叶斯网络与本体结合起来,能够充分发挥本体在知识描述方面的优势和贝叶斯网络的推理能力,实现依据部分信息的概率描述获取知识,指导实践。     

基于动态贝叶斯网络的复杂网络攻击方法研究

在制定网络攻击策略时,目标网络信息存在不确定性,攻击方缺乏综合、可靠、实时的攻击依据,难以达到攻击效果,为此提出一种科学的复杂网络攻击方法。对网络攻击中攻击方收益、损耗、代价和遇到的风险进行分析,建立指标体系,利用动态贝叶斯网络对网络节点的攻击效果进行综合评估,克服了传统节点重要度评估方法依靠网络拓扑单一指标或者对目标节点进行静态评估的缺点。仿真实验表明该方法在攻击时综合了更多节点关系和观测信息,避免了依靠静态评估手段实施攻击时实际攻击效果与理论期望的差距,同时在攻击精度上更加准确,攻击效能更高。     

基于贝叶斯网络的移动支付风险评估模型

随着信息技术和网络的迅猛发展,支付业务、技术及工具不断创新,移动支付的发展在逐渐加快。移动支付给人们生活带来方便和快捷的同时,也存在着较高的潜在风险,容易遭受非法入侵和恶意攻击。就移动支付风险的分析及风险值的计算理论方面开展工作,在贝叶斯网络的基础上,针对移动支付的主要组成主体,提出移动支付风险评估模型,通过使用该模型进行移动支付风险评估不仅可以对目前移动支付的风险进行评估,还可以根据风险评估结果引导风险控制,对比风险控制前后的风险值判断风险控制的效果,通过案例分析,提出的移动支付风险评估模型可以很好地完成移动支付的风险评估要求。     

基于贝叶斯网络的超速离心机故障诊断专家系统研究

研究了一种超速离心机故障诊断专家系统。系统采用人机对话方式,以专家知识库为基础,对离心机运转时的实时数据采样或者通过人工对界面输入故障征兆知识;采用贝叶斯网络方法进行推理,从而诊断出故障原因和各原因可能发生的概率。使维修更具针对性,实现智能化超速离心机故障诊断,提高了设备可靠性与安全性。     

基于贝叶斯网络的不确定性知识处理研究

贝叶斯网络因其在处理不确定性知识方面的优势近来受到数据挖掘等领域的重视。与当前流行的数据挖掘算法包括决策树、神经网络和遗传算法等相比,贝叶斯网络更易于理解,且有很好的预测效果,适用于处理那些本身存在着固有的不确定性的领域。在比较了贝叶斯网络处理不确定性知识的优势的基础上,描述了用贝叶斯网络进行数据挖掘的过程及其主要研究方向,最后对贝叶斯网络的应用领域、研究现状和前景进行了分析和展望。