基于贝叶斯网络的海上目标识别

贝叶斯分类器是使错误分类概率最小的最优方法,但必须具备先验知识,计算量也很大,从而增加了实时应用的复杂性。提出基于贝叶斯网络海上目标识别,结合贝叶斯网络对不确定事件强的推理作用,以及贝叶斯理论的数学基础,应用图形模式,使得计算量大大简化,降低了实用的复杂性。     

基于贝叶斯网络的海上目标识别

贝叶斯分类器是使错误分类概率最小的最优方法,但必须具备先验知识,计算量也很大,从而增加了实时应用的复杂性.提出基于贝叶斯网络海上目标识别,结合贝叶斯网络对不确定事件强的推理作用,以及贝叶斯理论的数学基础,应用图形模式,使得计算量大大简化,降低了实用的复杂性.     

贝叶斯网络中变量的最优预测

贝叶斯网络是进行联合概率分解及研究证据传递的有效的图形模式.在贝叶斯网络中,研究变量的最优预测问题对揭示贝叶斯网络内部机制及分类器的属性选择等都具有重要意义.证明了在0-1损失下,对贝叶斯网络中任一特定变量进行预测时,联合预测是最优预测,贝叶斯网络和该变量的马尔科夫毯预测也是最优预测,同时给出了马尔科夫边界的信息结构,并使用模拟数据进行了定性与定量分析.     

完备数据集上贝叶斯网络结构学习研究

贝叶斯网络是用来描述不确定变量之间潜在依赖关系的图形模型。从完备数据集上学习贝叶斯网络是一个研究热点。分析了完备数据集上构建贝叶斯网的常见理论方法。     

一种改进的贝叶斯网弧定向算法研究

贝叶斯网络是用来表示变量集合概率分布的图形模式,它提供了一种方便地表示概率信息的方法,它可以表示因果关系,但并不局限于因果关系。贝叶斯网对不确定性问题有很强的推理能力,近几年来受到众多研究者的重视。贝叶斯网络中弧的定向是指在已经有了变量之间的依赖关系图的条件下确定变量之间的边的方向的过程。介绍了一种改进了贝叶斯网弧定向的方法,该方法结合了目前多种定向方法的优点,实验证明该算法优于已存在的弧定向方法。     

BNs中基于分层排序的条件独立分析与应用

贝叶斯网络（BN）是图论和概率论有机融合的概率图形模型。D-分割（directional separation）和ud-分割（unidirectional separation）是判断贝叶斯网络中条件独立的两个重要的准则。讨论了贝叶斯网络中d-分割和ud-分割的关系,得到d-分割是ud-分割的充分不必要条件。介绍分层排序的定义并给出了d-分割和ud-分割同时成立的条件。通过对贝叶斯网络的节点进行分层排序,能够得到该贝叶斯网络的拓扑序列并且能够快速找到d-分割和ud-分割集识别有向因果效应。     

基于贝叶斯征兆解释度的链路故障定位算法

针对故障和征兆关系不确定的网络中故障定位算法检测率低和误检率高的缺陷,提出了一种基于贝叶斯征兆解释度的链路故障定位算法。该算法以概率加权的二分图作为故障传播模型,通过处理贝叶斯后验概率信息,定义一种新的参数贝叶斯征兆解释度,并基于该参数对可能链路故障进行判断,得出最优故障假设集合,实现链路故障定位。理论分析和仿真实验表明,该算法具有较低的计算复杂度,且在小规模不确定网络中具有较高的故障检测率和较低的故障误检率。     

基于贝叶斯网络约简的铁路应急决策方法

为了解决决策属性的冗余问题,降低决策推理过程的复杂性,实现在信息不完备情况下铁路应急决策的智能化,基于粗糙集理论与贝叶斯网络提出一种新的铁路应急决策方法。利用基于信息熵的粗糙集知识约简方法提取最小决策信息集,实现对应急态势信息集的约简,从而减少态势网络节点数目,降低贝叶斯网络的复杂性。基于约简后的贝叶斯网络模型实现了铁路应急态势预测的概率决策推理。案例分析表明该方法能够满足铁路应急决策需求以及在信息不完备条件下的有效性。     

贝叶斯网络的非忠实性分布

贝叶斯网络是图论和概率论有机融合的概率图形模型,主要用于统计推理和智能数据分析．理论上通常假设由基于分布的独立关系可推出基于图结构的d-分割,即贝叶斯网络上的分布是忠实的．针对布尔域上的贝叶斯网络,研究了非忠实分布的构成,提出了贝叶斯网络上分布延拓的概念,得到忠实分布与非忠实分布的平凡延拓均是非忠实分布．     

贝叶斯网络精确推理算法的研究

贝叶斯网络是以概率理论为基础的不确定知识表示模型,贝叶斯网络推理的目的是得到随机变量的概率分布。目前,最流行的推理算法是联合树算法,它的主要思想是将贝叶斯网络转化为一棵无向树,在无向树上完成消息传递过程,求出原贝叶斯网络中任意随机变量的概率分布。为了降低算法的计算时空复杂度,对算法进行了不断的改进,为贝叶斯网络推理算法的进一步研究提供了条件。     

Graphical model based continuous estimation of distribution algorithm

In this paper, a new estimation of distribution algorithm is introduced. The goal is to propose a method that avoids complex approximations of learning a probabilistic graphical model and considers multivariate dependencies between continuous random variables. A parallel model of some subgraphs with a smaller number of variables is learned as the probabilistic graphical model. In each generation, the joint probability distribution of the selected solutions is estimated using a Gaussian Mixture model. Then, learning the graphical model of dependencies among random variables and sampling are done separately for each Gaussian component. In the learning step, using the selected solutions of each Gaussian mixture component, the structure of a Markov network is learned. This network is decomposed to maximal cliques and a clique graph. Then, complete Bayesian network structures are learned for these subgraphs using an optimization algorithm. The proposed optimization problem is a 0–1 constrained quadratic programming which finds the best permutation of variables. Then, sampling is done from each Bayesian network of each Gaussian component. The introduced method is compared with the other network-based estimation of distribution algorithms for optimization of continuous numerical functions.     

Learning possibilistic graphical models from data

Graphical models - especially probabilistic networks like Bayes networks and Markov networks - are very popular to make reasoning in high-dimensional domains feasible. Since constructing them manually can be tedious and time consuming, a large part of recent research has been devoted to learning them from data. However, if the dataset to learn from contains imprecise information in the form of sets of alternatives instead of precise values, this learning task can pose unpleasant problems. In this paper, we survey an approach to cope with these problems, which is not based on probability theory as the more common approaches like, e.g., expectation maximization, but uses the possibility theory as the underlying calculus of a graphical model. We provide semantic foundations of possibilistic graphical models, explain the rationale of possibilistic decomposition as well as the graphical representation of decompositions of possibility distributions and finally discuss the main approaches to learn possibilistic graphical models from data.     

基于粗糙集贝叶斯网络的电子产品设计缺陷评估模型

为了对电子产品设计缺陷进行评估与预测,需要构建电子产品设计缺陷粗糙集数学描述模型。由于电子产品设计缺陷影响因素关系复杂,直接构造贝叶斯网络预测模型困难大、精度差,因此提出一种贝叶斯网络与粗糙集相结合的方法。采用粗糙集来生成贝叶斯网络预测模型的网络结构和各节点的条件概率表,再通过贝叶斯网络的参数估计建立电子产品设计缺陷的预测模型。实际应用证明,该方法简洁有效,可以预测项目可能存在的设计缺陷。     

Rudimentary结构等价性及其应用研究

Bayesian网的结构学习是Bayesian网研究的难点之一．当问题中的变量较多时，通过结构学习得到的网络结构往往不具有唯一性．文中通过对Bayesian网结构等价性的研究，提出了Rudimentary结构等价性定理，并给出了该定理的证明．该等价性定理为提高结构学习的速度和优化Bayesian网的结构提供了理论依据．实验结果表明该定理具有较好的实用价值．     

一种基于贝叶斯网络的匹配引擎设计

匹配引擎不是简单的搜索，而是全新的深层次信息挖掘。该文构建一种基于贝叶斯网络模型的匹配引擎。项目需求中有4种类型的节点集合，通过建模，设计一个4层贝叶斯网络，主要用来对输入样本进行打分筛选。在该模型中，层与层之间都有表示具体意义的条件概率将其联系起来，在一定程度上解决了检索结果歧义和检索结果少的问题。实验证实了该模型可以更准确地搜索信息。     

Restricted Bayesian classification networks

Bayesian networks are graphical models that describe dependency relationships between variables, and are powerful tools for studying probability classifiers. At present, the causal Bayesian network learning method is used in constructing Bayesian network classifiers while the contribution of attribute to class is over-looked. In this paper, a Bayesian network specifically for classification-restricted Bayesian classification networks is proposed. Combining dependency analysis between variables, classification accuracy evaluation criteria and a search algorithm, a learning method for restricted Bayesian classification networks is presented. Experiments and analysis are done using data sets from UCI machine learning repository. The results show that the restricted Bayesian classification network is more accurate than other well-known classifiers.     

基于改进贝叶斯模型的信息安全风险评估

 随着信息化时代的到来,信息安全问题变得日益复杂与多样,因此急需一种高性能的解决方法。本文在前人的研究基础上进一步改进贝叶斯网络模型在信息安全风险评估中的应用。首先分析信息系统风险元素种类,提出一种新的确定风险因素的方法,即建立因素之间常见关联关系;然后依据因素关联关系确定信息系统指标体系,并结合经验积累的条件概率,利用Matlab贝叶斯网络工具箱（BNT）构建完整的贝叶斯网络风险评估模型,其中包括对评估流程、方法使用及风险等级确定的分析;最后通过实例分析改进的贝叶斯评估模型,对实验数据推理出风险各等级概率。仿真结果与实际结论相一致,表明改进的贝叶斯评估模型能够准确反映信息系统安全风险等级,是一种有效且合理的评估方法。     

基于贝叶斯网络和互信息的检索用户模型

个性化信息服务越来越成为信息检索领域研究的热点.将贝叶斯网络和互信息相结合,用于个性化检索的用户建模中,建立了一个能同时表达特征词的统计分布和特征词间的语义相关性的用户模型.模型以贝叶斯网络结构为框架,包含了特征词的概率统计信息和特征词间互信息,并引入了时间机制.实验结果表明,用该模型进行信息检索,在查全率和查准率方面都得到了提高.     

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。