基于贝叶斯网络的航班保障服务时间动态估计

针对航班保障服务时间估计的问题,考虑到航班保障服务流程的特殊性、复杂性以及影响因素的不确定性,提出了一种基于贝叶斯网络（BN）的航班保障服务时间估计模型。该模型把航空领域的专家知识与历史数据的机器学习相结合,使用贝叶斯网络的增量学习特性动态地调整BN模型,使其适应新的变化,进而不断更新航班保障服务时间的估计值。使用国内某大型枢纽机场信息系统内提取的数据,通过期望最大化（EM）方法对模型进行训练,得到了测试结果。实验结果分析与模型评价表明,所提方法能有效估计航班保障服务时间且具有较高的准确度。敏感性分析表明,航班到达时段的航班密度对航班保障服务时间影响最强。     

时间有色佩特里网在航班进离港中应用

为了解决目前和以后越来越严重的空中交通拥挤问题,文中对终端区空中交通流量管理中航班进离港部分连续航班动态飞机排序问题进行研究.提出了基于时间有色佩特里网(TCPN)的航班进离港的调度方法,用MATLAB软件中的M函数编写了算法程序,然后进行了仿真.仿真结果表明,该方法选用的算法是合理的,而且可以明显的减少航班总的延误,优化效率高,算法简单可行,而且更符合实际的要求.该方法在一定程度上可以帮助空管人员进行调度决策,从而更加快速有序地对飞机进离港进行调度,对目前空管优化调度,减少延误等情况的处理具有一定的参考研究价值.     

基于贝叶斯网络的航班离港延误预警分析

贝叶斯网络是一种有效的概率预测方法,尝试将其应用于航班数据分析预警,应用Netica软件工具构建实际航班及其关联的贝叶斯网络,特别是针对航班延误的最主要环节——离港延误,分时间段对国内某航空公司在某机场的离港数据进行了延误原因分析和延误预警分析。     

基于贝叶斯网络的航班延误波及研究

在民航业内,航班延误波及问题一直是影响航班延误的一个主要因素。基于贝叶斯网络（BN）,讨论了在繁忙的枢纽机场,其航班延误的波及问题。在实验中使用的数据,皆来自国内某大型航空公司的真实记录。通过建立延误波及模型和贝叶斯网络模型,探讨了相关航班中,进港延误和航班取消对离港延误的影响。学习的结果显示了进港延误（Arrival-delay）对离港延误（Departure-Delay）的波及现象的存在;以及波及现象在不同情况下的程度不同;相应的可采取的应对方式亦不相同。其中航班取消是一种釜底抽薪的应对方法,可以在一定程度上削弱上述条件下的延误波及,其削弱程度与航班取消的架次有关。基于该研究可以在机场发生大规模延误时,提供一个基本的参考。     

基于贝叶斯网络的航班过站时间分析与延误预测

从航班延误链式波及的角度出发,分析了影响航班过站时间的多种因素,建立了贝叶斯网络模型,模型能够清晰地反映多种因素对下游航班过站时间的影响。提出了基于贝叶斯网络参数估计的航班延误预测算法,当航班发生起飞延误时能够预测下游航班的起飞时间和延误状况。对算法进行了实现,并利用实际航班数据进行仿真,结果表明了该算法有比较高的预测准确率。     

离港航班延误的动态预测研究

现有航班延误预测方法大多是对航班延误进行非动态预测,不能随着航班数据的不断增加而有效更新,进而使得预测结果的实时性较差.因此,提出一种基于时间序列的航班延误动态预测方法.首先,利用小波分解技术对延误时间序列进行平稳化处理;然后,采用自回归滑动平均(ARMA)模型对离港航班延误进行预测;最后,利用支持向量机模型对预测结果...     

连续航班延误与波及的贝叶斯网络分析

针对空运系统日益严重的航班延误,尝试将贝叶斯方法应用于航班数据分析,重点考虑同一飞机飞行连续航班的情况。借助Netica软件包,建立贝叶斯网络模型。通过贝叶斯网络推理进行连续航班延误波及分析,并用实际航班数据进行测试。结果表明,概率统计意义下,模型能够清晰反映连续航班延误原因分布、过站时间差分布和按时间段的延误波及情况。     

可变周期的基于贝叶斯估计的TPSN改进算法

文章在介绍无线传感器网络的时间同步协议TPSN的基础上,针对TPSN算法在节点间交换消息时因传递延迟引起的误差以及同步时的能耗问题,引入贝叶斯估计法以及可变周期同步法进行改进,以达到减小误差并降低能耗的目的;运用N2仿真环境进行仿真,仿真结果表明,改进后的算法不但同步精度得到提高,而且耗能显著减小,更有利于延长无线传感器网络的寿命。     

类基于蚁群优化的贝叶斯置信网结构学习策略及性能分析*

针对贝叶斯置信网的结构学习问题,提出一种遵循典型ACO算法框架(ACO-TSP)的贝叶斯网结构学习算法（ACO-BN）,并拓展为包括EAS-BN、ACS-BN和MMAS-BN在内的一类算法。用这类算法在若干典型贝叶斯网络结构学习问题上分别与经典贝叶斯网学习算法(K2、B)、用于贝叶斯网学习的通用优化算法（simulated annealing、Tabu searching和genetic searching）以及L. M. de Campos等人提出的基于蚁群优化的贝叶斯网络结构学习算法 Ant-K2SN     

基于改进GA的神经网络航班保障时间估计

准确估计航班保障服务时间可以极大提高地面航班保障服务效率。采用主成分分析(PCA)方法降低变量间的相关性,考虑到BP神经网络的网络结构难以确定,且网络初始权重、阈值随机,提出改进的遗传算法来优化BP神经网络的结构,初始权重、阈值,建立自适应多层遗传算法(AMGA)的BP神经网络航班保障服务时间估计模型。为验证所提AMGA-BP算法的性能,以国内某枢纽机场航班保障服务时间作为研究对象,与传统的GA-BP、BP两种算法做对比实验,进行航班保障服务时间估计,实验结果表明,AMGA-BP算法比BP算法和GA-BP算法精确度更高。     

基于集成BP网络的人脸识别研究

在对人脸图像使用小波变换进行数据压缩的基础上,使用PCA进行特征提取,再将特征输入集成BP神经网络实现对人脸图像的识别。集成BP网络将多分类问题转换为多个相互独立的二分类问题,在提高网络泛化能力的同时缩短了网络的训练时间。另外,集成网络通过增添子网络或者重新训练子网络的方法解决了网络"失忆"问题,使其具有增量式学习的能力。通过在ORL人脸库上仿真的实验,证明了集成网络的人脸识别以及增量学习都具有良好的性能。     

Software effort estimation based on the optimal Bayesian belief network

In this paper, we present a model for software effort (person-month) estimation based on three levels Bayesian network and 15 components of COCOMO and software size. The Bayesian network works with discrete intervals for nodes. However, we consider the intervals of all nodes of network as fuzzy numbers. Also, we obtain the optimal updating coefficient of effort estimation based on the concept of optimal control using Genetic algorithm and Particle swarm optimization for the COCOMO NASA database. In the other words, estimated value of effort is modified by determining the optimal coefficient. Also, we estimate the software effort with considering software quality in terms of the number of defects which is detected and removed in three steps of requirements specification, design and coding. If the number of defects is more than the specified threshold then the model is returned to the current step and an additional effort is added to the estimated effort. The results of model indicate that optimal updating coefficient obtained by genetic algorithm increases the accuracy of estimation significantly. Also, results of comparing the proposed model with the other ones indicate that the accuracy of the model is more than the other models.     

基于RBF神经网络的泰勒级数展开定位算法

泰勒序列展开定位算法在视距（LOS）环境下有着较好的定位精度,但是在非视距（NLOS）环境下,泰勒序列展开定位算法的定位精度大大下降。为了减小NLOS传播的影响,提出了基于RBF神经网络的泰勒序列展开定位算法。利用神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正,再利用泰勒序列展开定位算法进行定位。仿真结果表明,该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于泰勒序列展开定位算法、Chan算法和LS算法。     

Householder干扰阻塞法的弱信号DOA估计

在强干扰来波方向已知或可准确估计的情况下,一维微弱信号的DOA估计通常采用干扰阻塞的方法,当采用二维阵型时,该方法阻塞矩阵构建形式随阵型发生变化,且其阻塞输出信号需进行预白化处理,因此计算复杂度较高。提出一种基于Householder变换的干扰阻塞法,该方法可有效阻塞强干扰获得微弱信号DOA信息,阻塞矩阵构建形式固定,不随阵型发生变化,无需预白化处理,因此具有计算复杂度较低、精度较高的特点。     

基于密度核估计的贝叶斯网络结构学习算法

贝叶斯网络结构学习算法主要包括爬山法和K2算法等,但这些方法均要求面向大样本数据集。针对实际问题中样本集规模小的特点,通过引入概率密度核估计方法以实现对原始样本集的拓展,利用K2算法进行贝叶斯网络结构学习。通过优化选择核函数和窗宽,基于密度核估计方法实现了样本集的有效扩展;同时基于互信息度进行变量顺序的确认,进而建立了小规模样本集的贝叶斯结构学习算法。仿真结果验证了新学习算法的有效性和实用性。     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

基于贝叶斯网络的林火概率预测系统设计与实现

针对林火预测具有影响因素多、机制复杂、难以结构化等特点,设计并实现了一个基于贝叶斯网络的实用林火概率预测系统。该系统以气象、植被、地理、人类活动等数据作为输入,综合林火历史数据建立贝叶斯网络模型,并应用联合树算法进行概率推理,进而预测出林火发生概率。在某省实际林火历史数据上对系统进行了测试,比较了所设计系统与加拿大火险天气指标系统（FWI）的预测性能,验证了系统的可行性和实用性。     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

基于时间自动机的脑网络时空演化建模方法

人类大脑本质上是不断变化的整体,但基于静息态功能磁共振成像重构技术的人脑网络动态特性研究尚在起步阶段,并且大多采用定性的方法描述。采用时间自动机理论对脑网络在时间和空间上的系统动态特征和演化过程展开了建模方法研究,首先通过对采样时间区间上血氧依赖水平信号的处理得到全脑脑区在单个采样点上的状态描述,然后通过无监督聚类获取其状态集,研究其状态随时间转换的可观测性,最后在此基础上结合时间自动机理论对脑网络状态的演化过程进行建模,从而达到对脑网络动态特性定量描述的目的。实验结果显示该方法可定量描述人脑网络的状态转换规律和演变进程,对不同被试数据具有普适性,并且可辨识出被试的异常演化过程,为脑网络动态特性的深入研究提供了理论基础。