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。     

一种用于结构化文档检索的贝叶斯网络

分析结构化文档的表示方法及检索特点,对一种用于结构化文档检索的贝叶斯网络进行研究。讨论该贝叶斯网络的构造方法、概率估计及推理过程。用网络节点表示文档索引术语和结构单元,用弧表示术语和结构单元的隶属关系,根据TF-IDF方法估计各节点的先验概率,当给定一个查询时,通过计算每个结构单元的条件概率得到该结构单元的相关值。实例验证了该贝叶斯网络的有效性。     

基于云贝叶斯网络的目标威胁评估方法

将云模型和贝叶斯网络相结合,形成云贝叶斯网络,并建立了基于云贝叶斯网络的威胁评估模型.首先,根据实际应用背景确定贝叶斯网络结构,并对连续型观测节点进行云模型转换;然后,将观测变量值输入云贝叶斯网络,推理得到目标属于各个威胁等级的概率;最后,为消除目标信息的不确定性对总的威胁度的影响,进行了多次重复推理,通过概率合成公式求得最终的威胁程度.以联合防空作战为背景,仿真实现了空中目标的威胁评估,验证了该方法的有效性.     

基于动态贝叶斯网络的威胁估计研究

威胁估计是基于客观事实和规则的因果推理判断,而贝叶斯网络提供了一种自然的表示因果关系的手段.通过对威胁估计过程的理解,全面分析了影响威胁等级的评估参数,建立了威胁估计的贝叶斯网络模型,并采用动态贝叶斯网络推理方法进行威胁估计.实例仿真结果验证了该方法的实用性和有效性.     

动态贝叶斯网络在战术态势估计中的应用*

针对战术态势估计的特点和要求,分析和建立了应用于态势估计的动态贝叶斯网络模型。该模型以离散变量集为研究对象。由于该动态贝叶斯网络满足Markovian特性和平稳特性,降低了网络的复杂度。相比较于贝叶斯网络模型,该动态贝叶斯网络模型考虑了时序因素,将前时刻的态势因素作为当前时刻态势估计的证据的一部分,并能对下一时刻的态势进行预测。文中采用集树（junction tree）算法,利用相关的贝叶斯网络推理软件进行了实验,实验结果表明基于动态贝叶斯网络的估计结果较贝叶斯网络的估计结果好,验证了该模型的有效性。     

混合贝叶斯网络隐藏变量学习研究

目前,具有已知结构的隐藏变量学习主要针对具有离散变量的贝叶斯网和具有连续变量的高斯网．该文给出了具有连续和离散变量的混合贝叶斯网络隐藏变量学习方法．该方法不需要离散化连续变量,依据专业知识或贝叶斯网络道德图中Cliques的维数发现隐藏变量的位置,基于依赖结构（星形结构或先验结构）和Gibbs抽样确定隐藏变量的值,结合扩展的MDL标准和统计方法发现隐藏变量的最优维数．实验结果表明,这种方法能够有效地进行具有已知结构的混合贝叶斯网络隐藏变量学习．     

基于贝叶斯网络的态势估计研究

作为一种知识表示和进行概率推理的框架,贝叶斯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.分析了使用贝叶斯网络进行态势估计知识表示问题,提出了构建贝叶斯网络进行态势估计的步骤,分析了态势估计系统事件的层次.最后,给出一个具体的实例,演示了使用贝叶斯网络进行态势估计的过程.     

自适应RBF网络Q学习控制

利用RBF网络逼近连续空间的Q值函数,实现连续空间的Q学习.RBF网络输入为状态-动作对,输出为该状态-动作对的Q值.状态由系统的状态转移特性确定,动作由优化网络输出得到的贪婪动作与服从高斯分布的噪声干扰动作两部分叠加而成.利用RNA算法和梯度下降法自适应调整网络的结构和参数.倒立摆平衡控制的实验结果验证了该方法的有效性.     

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。     

混合多元回归学习模型的改进

研究统计方法分析问题,针对在实际应用外特性模型的输入普遍为混合变量,既包括连续随机变量,也包括离散随机变量.目前已有混合多元回归学习模型大多只处理连续随机变量,且有着多重共线性的缺陷.针对上述问题,研究了基于贝叶斯网络的回归树学习模型.基于贝叶斯网络的回归树学习模型的研究方法建立在朴素贝叶斯网络模型基础上,采用分而治之的原则构造决策树,以朴素贝叶斯取代叶节点.在2个UCI机器学习数据集上的仿真实验结果表明模型性能良好.基于贝叶斯网络的回归树学习模型可以有效减小预测误差.