Bayes网络最优近似下边缘分布的不变性

删除Bayes网络中的弧以减小网络结构的复杂性，从而降低概率推理算法的复杂度是一种对Bayes网络进行近似的方法．该文讨论了在删除Bayes网络中的一条弧之后得到的最优近似概率分布和原概率分布之间的关系，证明了对满足一定条件的结点子集而言，其边缘概率分布在近似以后具有不变性．     

贝叶斯网络结构改进方法研究

针对两阶段的贝叶斯网络建模任务,提出基于网络度量的贝叶斯网络结构改进方法.定义基于条件独立互信息测度、以网络复杂度为惩罚函数的网络度量.该方法通过添加必要的弧和删除多余的弧两个主要步骤,搜索具有最小网络测度的贝叶斯网络为改进后的最佳网络.给出方法的详细过程,证明方法的正确性,并进一步分析算法的复杂度.通过熟知的贝叶斯网络Alarm的实验,验证方法的有效性.     

一种新的基于邻接矩阵的拓扑排序算法

为了降低基于邻接矩阵的拓扑排序算法的复杂性，将单顶点算法框架扩展成集合算法框架，给出一些便于进行拓扑排序的有向无环图的性质。在此基础上，定义了适合进行弧删除操作和无前驱顶点判断的邻接矩阵运算，给出了有向弧邻接矩阵的存储方案，最终提出了一种时间和空间复杂度都比较低的拓扑排序算法。     

基于二次误差测度的递进网格简化算法

给出一种基于递进网格和二次误差测度的快速简便的算法来简化带属性的网格模型.该算法通过分别建立几何和颜色属性的二次误差测度来计算几何和颜色属性误差,边折叠是根据某种误差测度将候选的边按照折叠代价排序,每次取代价最小的边进行折叠操作.应用实例表明,该算法既能有较好的简化效率,又能保证简化对初始模型在几何和颜色信息方而尽可能的近似.     

椭圆offset曲线的多项式逼近算法

首先对椭圆进行必要的细分,然后将每一段椭圆弧的offset曲线用一段Bézier曲线逼近,进而得到G1连续的分段Bézier曲线作为椭圆offset曲线的近似.该算法一方面给出了计算Bézier曲线段控制顶点的表达形式,计算简单;另一方面对offset曲线的逼近误差给出了整体估计,并且利用整体误差估计决定细分椭圆的段数,构造了满足给定容差的近似曲线.     

基于小波的曲线可控误差拟合

研究了利用小波变换对所拟合曲线进行分解和重构的方法,给出了进行曲线拟合的误差控制,采用Daubechies小波对所拟合曲线进行快速小波变换。通过分层近似对原曲线进行拟合,所产生的误差刚好为高频滤掉部分。在构造近似曲线前,通过对曲线细节的预先计算,得出可控制误差的范围,从而决定是否继续进行曲线的细化分解,达到在可控制误差下进行曲线拟合的目的。文中给出了基于小波的曲线可控误差拟合算法,并用实例进行了说明。     

二次曲线的多项式逼近

研究用B啨ｚｉｅｒ曲线或样条逼近任意长二次曲线弧的方法 对不同曲线类型 ,均得到具有 6阶逼近精度的误差函数 并且相邻的B啨ｚｉｅｒ曲线间ＧＣ1连续 最后给出任意二次曲线弧近似多项式或多项式样条参数化的算法     

多属性信息决策的改进无监督学习算法建模与应用

针对SOM网络无监督学习算法的单样本序列学习方式内存占用多的特点,采用Voronoi矢量原理改进权矢量迭代方式,使改进算法具有所有样本同时学习的能力,同时给出了算法的矢量映射误差测度和拓扑误差测度。然后根据改进算法建立了多属性信息决策的可视二维拓扑映射图模型,并对R&D项目中止决策进行了研究。计算结果表明,改进的无监督学习算法收敛速度快,基于拓扑映射图模型的多属性决策有效。     

水声传感器网络节点自适应加权定位算法

对水声传感器网络节点定位进行研究,针对水声传感器网络节点间测距精度不高的问题,提出一种水声传感器网络节点自适应加权定位算法。考虑到水声传感器网络节点间的测距误差随着节点间距离的增大而增大,算法改进了锚节点选择机制,并且对不同锚节点在定位测度中的权重进行加权,改进定位测度,提高了测距信息的利用效率。仿真实验表明该算法提高了节点定位精度。     

基于路径冲突测度的Ad Hoc网络冲突最小化算法

提出一种新的冲突测量方法,通过引入测度实现对网络冲突的定量描述,进而给出计算路径冲突测度的算法(PIMA),并在此基础上提出冲突最小化拓扑控制算法(IAPM),由算法IAPM生成拓扑控制子图,该子图在保证网络连通的前提下实现对整个网络的冲突控制,并使得一定的网络环境下全网冲突最小化.仿真结果显示算法降低了网络冲突,在使全网冲突最小化方面有较好的性能.     

Approximating Bayesian belief networks by arc removal

I propose a general framework for approximating Bayesian belief networks through model simplification by arc removal. Given an upper bound on the absolute error allowed on the prior and posterior probability distributions of the approximated network, a subset of arcs is removed, thereby speeding up probabilistic inference     

贝叶斯网络在战术态势估计中的应用

战场态势估计是指挥决策的基础,如何进行合理的态势估计是当前战场指挥系统中最重要的组成部分;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得到了广泛的应用;因果推理是态势估计中的一个重要环节,用贝叶斯网络找出态势假设和事件之间的潜在关系,正是态势估计所需完成的功能;根据态势与事件之间不同的连接关系建立态势估计的贝叶斯网络模型,介绍贝叶斯网络推理算法和步骤,并给出实例仿真;结果表明,将贝叶斯网络用于态势估计,能够进行推理得到完整的战场态势信息,为决策提供依据。     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

Efficient inferencing for sigmoid Bayesian networks by reducing sampling space

A sigmoid Bayesian network is a Bayesian network in which a conditional probability is a sigmoid function of the weights of relevant arcs. Its application domain includes that of Boltzmann machine as well as traditional decision problems. In this paper we show that the node reduction method that is an inferencing algorithm for general Bayesian networks can also be used on sigmoid Bayesian networks, and we propose a hybrid inferencing method combining the node reduction and Gibbs sampling. The time efficiency of sampling after node reduction is demonstrated through experiments. The results of this paper bring sigmoid Bayesian networks closer to large scale applications.     

变结构动态贝叶斯网络的机制研究

传统的动态贝叶斯网络(Dynamic Bayesian networks, DBNs)描述的是一个稳态过程,而处理非稳态过程,变结构动态贝叶斯网络更适 用、更灵活、更有效.为了克服现有变结构离散 动态贝叶斯网络推理算法只能处理硬证据的缺陷,本文在深入分析变结构动态贝叶斯网络机制及其特 征的基础上,提出了变结构离散动态贝叶斯网络的 快速推理算法.此外,对变结构动态贝叶斯网络的特例,即数据缺失动态贝叶斯网络进行了定义并构建 了相应的模型.仿真实验验证了变结构离散动态贝 叶斯网络快速推理算法的有效性及计算效率.     

贝叶斯网在态势评估中的应用

作为一种知识推理和进行概率推理的框架,贝叶斯网络在具有内在不确定性和决策问题中得到了广泛的应用。因果推理是态势评估中的一个重要环节,用贝叶斯网找出态势假设和事件之间的潜在关系,正是态势评估所需完成的功能。根据态势与实践之间不同的连接关系建立了态势评估的贝叶斯网络模型,并分别介绍了相应的信息传播算法,最后一个实例来说明该网络的计算过程。     

基于高阶时空模型的视觉传感网络数据关联方法

数据关联是视觉传感网络联合监控系统的基本问题之一. 本文针对存在漏检条件下视觉传感网络的数据关联问题, 提出高阶时空观测模型并在此基础上建立了数据关联问题的动态贝叶斯网络描述. 给出了数据关联精确推理算法并分析了其计算复杂性, 接着根据不同的独立性假设提出两种近似推理算法以降低算法运算量, 并将提出的推理算法嵌入到EM算法框架中,使该算法能够应用于目标外观模型未知的情况. 仿真和实验结果表明了所提方法的有效性.     

基于结构分析的局部Gibbs抽样自动推理算法

提出一种基于结构分析的局部Gibbs抽样的贝叶斯网络推理算法(S-LGSI).S-LGSI算法基于联合树算法的概率图模型分析思想,对贝叶斯网络进行精确分解,然后根据查询结点和证据结点生成具有强相关性的局部网络模型,进而对局部网络模型进行Gibbs抽样推理.与当前基于抽样的其它近似推理算法相比,该算法降低推理的计算维数.同时,由于局部抽样模型包含了与查询结点相关的重要信息,因此该算法保证局部抽样推理的精度.算法分析和在Alarm网的实验结果表明,S-LGSI算法较显著降低时间复杂度,同时也提高推理精度.S-LGSI算法应用于上海证券交易所股票网络的推理结果与实际情况基本一致,表现出较强的实用性.     

基于评分函数的贝叶斯网络结构融合算法

利用贝叶斯网络进行因果关系推理已广泛应用于人工智能领域。基于约束方法从观测数据中构建贝叶斯网络通常得到的是其马尔科夫等价类，因存在无向边而无法进行有效的因果推断。为此，基于贝叶斯网络评分函数，并结合集成学习提出了一种模型融合算法，通过对不同的网络结构加权融合，以减少网络中无向边的个数，进而提高其可推断性。实验结果表明，不仅显著减少了无向边条数，也提高了最终网络结构的学习效果，验证了算法的有效性。