基于Bayesian网络理论的远程查询系统

对Bayesian网及其概率推理进行了简述,提出并实现了一种以Bayesian理论为基础的查询方法,重点介绍Bayesian网络简化、扩展关系表、功能及概率推理算法。举例说明了系统运行的过程。     

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合,提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数,通过此函数引入变异算子,目的是利用变异算子的邻域搜索能力,保持种群多样性,将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来,避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。     

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。     

Bayesian网知识推理在ITS学习推荐中的应用研究

提出了一种基于Bayesian网的知识推理网络和知识推理算法,该算法利用Bayesian知识推理网和Bayesian概率公式,从现有学习资源库和教学方法库中推荐出最符合学生特征的k种学习资源和k种教学方法,从而实现ITS的智能学习推荐功能。     

高效Internet个性化信息发现的实现

通过将Meta—Search技术与分布式智能Agent技术结合起来，实现了一个3层结构的个性化信息发现系统PIRS。该系统采用多Agent协作技术，Meta—Search技术，相关反馈学习算法，以及结合PageRank的期望度启发爬行算法，实现了高效的个性化．主动式在线信息发现。并且由于3层结构的引入，大大提高了系统的安全性、强壮性、可扩展性。有效地解决了现有系统在自适应用户兴趣及信息源变化，高效并行的信息发现等方面的不足。     

二阶卡尔曼滤波分布估计算法

分布估计算法由于其较强的理论基础已成为进化计算研究的新热点．从卡尔曼滤波的角度来看,它的作甩实际上是一个递归滤波器,但作用在一个种群上的分布估计算法相当于只有一个信息源．因此,该文利用信息融合的思想,将种群分成若干子种群,各子种群独立地使用二阶分布估计算法来估计其状态,这样就可从多个信息源获得信息．然后用卡尔曼滤波器将这多个信息源的信息相融合,以产生更准确的估计,并将估计信息反馈到各子种群中．实验结果表明,相对于已有的二阶分布估计算法,该文算法的稳定性和全局搜索能力都得到了很大提高,从而说明了该文算法的有效性．     

可在线配置结构的多源融合位姿估计框架

针对组合导航系统中,融合算法结构难以在线进行配置的问题,基于误差状态扩展卡尔曼滤波器（ ES-EKF）和标准观测模型库,提出一种不依赖特定平台、可在线配置结构的多源融合估计框架,赋予组合导航系统动态变更信息源融合方式的能力。对多种导航子系统的输出信息进行分类和建模,建立一个不依赖于特定传感器和平台的标准观测模型库。设计一种算法结构的表示规则,将算法结构映射为融合模式,实现信息源和变量的灵活选择。基于该融合估计框架,设计并实现了一个惯性测量单元／磁力计／编码器／相机／激光雷达组合导航系统。最后,在野外数据集上进行了多种测试,该系统能够通过人工静态地或自主动态地变更融合模式灵活配置融合算法的结构,且定位精度优于 robot-localization 算法。试验结果表明,该框架可有效地实现多源融合估计、可在线地配置融合结构。     

网络跨库检索中基于Ontology的数据抽取与合并

对网络多个信息源跨库检索的结果进行Ontology建模，实现异构分布式数据源的数据抽取与合并．数据抽取首先将信息源的检索结果页面映射成有限标号树，其次应用抽取规则得到所需数据；给出按库合并算法，使得网络多数据源返回的结果得以高效合并．实验数据表明将Ontology建模应用于跨库检索结果处理有效而且正确，抽取准确率可以达到100％．     

基于信息论的Bayesian网络结构学习算法研究

Bayesian网是一种进行不确定性推理的有力工具,它结合图型理论和概率理论,可以方便地表示和计算我们感兴趣的事件概率,同时也是对实体之间依赖关系提供了一种紧凑、直观、有效的图形表示。文中基于信息论中测试信息独立理论,对Bayesian网中各结点进行条件独立(CI)测试,以发现各结点的条件依赖关系,并通过计算结点之间的互相依赖度以发现Bayesian网边的方向,从而构造Bayesian网结构,算法的计算复杂度只需要进行O(N²)次CI测试。     

在线社交网络恶意信息多源定位算法

针对恶意信息源覆盖范围重叠导致基于全网拓扑的定位算法复杂度高的情况,提出基于社区结构的子图划分算法,将恶意信息多源定位问题分解为多个单源定位问题。在此基础上,利用基于Jordan中心的在线社交网络多源定位算法,实现多个子图内的恶意信息单源定位。在随机数网络和UCIonline网络上的仿真结果表明,该算法能够有效识别恶意信息源,定位准确率相比基于距离中心、紧密度中心和介数中心的算法提高11%～30%。