面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN（Particle Swarm for Bayesian Network）。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。     

混合优化的贝叶斯网络结构学习

从大型数据库中学习网络结构一直是贝叶斯网络学习的难点之一.针对此问题提出了一种混合算法,将粒子群优化法简单且全局寻优能力强的特点,以及遗传算法良好的并行计算能力进行有效的结合,以增加学习的精度和效率.最后以经典的Asia,Cancer网络为实例,并与文中算法进行比较,验证了该算法的有效性.     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

基于贝叶斯优化算法的多机协同空战决策仿真

多机协同空战是未来空空作战的重要形式,空战智能决策是空战研究的核心内容之一.根据多机协同的特点和空战智能决策的要求,首先构造多机协同空战的自主优势矩阵,并在此基础上依据多人冲突理论分别对和红蓝双方以及本机编队进行权重分配,由此得到多机协同空战的整体优势矩阵.然后给出了贝叶斯优化算法并应用此算法对该模型进行了优化分析,实现了多机协同空战的空战智能决策.仿真实例证明贝叶斯优化算法收敛速度快,能够收敛到全局最优解,能有效地解决多机协同空战中的空战决策问题.     

数据驱动的间歇低氧训练贝叶斯优化决策方法

青藏地区快速的经济发展使得进入高原的群体数量日益增加, 随之而来的高原健康问题也愈发突出. 间歇性低氧训练(Intermittent hypoxic training, IHT)是急进高原前常使用的预习服方法, 一般针对不同个体均设置固定的开环策略, 存在方案制定无标准、系统化的理论指导缺乏、效果不明显等问题. 针对以上情况, 设计了一种小样本数据驱动的IHT策略贝叶斯闭环学习优化框架, 建立自回归结构的高斯过程血氧饱和度(Peripheral oxygen saturation, SpO2)预测模型, 并考虑高低风险事件对训练的影响, 设计与氧浓度变化方向和速率相关的风险不对称代价函数, 提出具有安全约束的贝叶斯优化方法, 实现IHT最优供氧浓度的优化决策. 考虑到现有仿真器无法反映个体动态变化过程, 依据“最优速率理论”设计了合理的模型自适应变化律. 所提出闭环干预方法通过该仿真器进行了可行性和有效性验证. 说明该学习框架能够指导个体提升高原适应能力, 减轻其在预习服阶段的非适应性不良反应, 为个性化IHT提供精准调控手段.     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

基于先验节点序学习贝叶斯网络结构的优化方法

针对小样本数据集下学习贝叶斯网络 (Bayesian networks, BN)结构的不足, 以及随着条件集的增大, 利用统计方法进行条件独立 (Conditional independence, CI) 测试不稳定等问题, 提出了一种基于先验节点序学习网络结构的优化方法. 新方法通过定义优化目标函数和可行域空间, 首次将贝叶斯网络结构学习问题转化为求解目标函数极值的数学规划问题, 并给出最优解的存在性及唯一性证明, 为贝叶斯网络的不断扩展研究提出了新的方案. 理论证明以及实验结果显示了新方法的正确性和有效性.     

基于改进贝叶斯优化算法的CNN超参数优化方法

CNN框架中,如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数,利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试,实验结果表明,改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。     

基于贝叶斯优化的作战仿真方法

随着仿真规模的扩大,仿真过程中的影响因素增多,仿真方案空间呈指数级增长,对仿真提出新的挑战.提出贝叶斯优化仿真方法,基于仿真结果构建高斯回归模型,并采用序贯策略逐步在线学习更新高斯回归模型,从而不断优化实验方案.仿真结果显示,相对于近正交拉丁超立方实验设计方法,寻找作战效能相同的试验方案,采用贝叶斯优化试验方法所需的实...     

网络故障管理的贝叶斯模型参数学习

网络中设备之间关系复杂、试验费用昂贵,使确定贝叶斯网络(Bayesian Network)有向弧参数问题突出.针对其特点,提出采用Noisy-OR/AND模型并利用梯度下降学习方法来降低数据需求量和计算复杂度.能够较快地构建贝叶斯网络,具有样本需求量小、故障诊断准确度高等特点,可为复杂网络故障诊断提供支持.     

面向多表连接查询优化的基数估计方法

基数估计是实现数据库多表连接（JOIN）查询优化的重要手段之一。对数据量较大的数据表进行基数估计时常用数据抽样来获得较小的样本,从而估计各种查询负载下所需的数据基数。在单表上利用数据抽样来完成基数估计的方法已经得到广泛研究,但在多个数据表的抽样样本总体存储预算存在限制时,目前仍缺乏有效的多表间样本数划分方法使得整体基数估计达到较优。为此,提出一种面向多表JOIN查询优化的基数估计方法,针对一组给定的含有复杂多JOIN操作的查询负载,为其合理分配数据库中每个表的抽样率,从而在满足样本大小总和限制的同时使得基数估计准确率达到最高。将上述过程抽象为一个抽样率分配搜索问题,在数据库数据抽样问题中引入贝叶斯优化搜索算法,利用该算法快速搜索出不同表之间抽样样本大小的分配比例,使得有限时间内获得的样本分配方案对应的基数估计准确率最高,从而达到查询优化的目的。在TPC-H数据集上的实验结果表明,在相同时间内确定多JOIN操作查询负载下基数估计准确率最高的抽样比例方案时,相比随机搜索算法,贝叶斯优化算法所得方案对应的基数估计误差率降低54.8%~60.2%。     

基于验证的自适应系统决策:一种模型驱动的方法

自适应系统需要根据运行时上下文和自身的变化进行其行为的调节.为实现自主调节,自适应系统必须被赋予运行时监测上下文和自身变化,分析需求满足程度的变化,以及推理得到自适应决策的能力.这种在线决策的行为在满足功能需求的同时,还需要保证系统满足特定的非功能需求,如可靠性和性能等.本文提出了一种基于验证的自适应系统优化决策方法,以保证非功能需求的满足.该方法在识别可调节目标以建模自适应机制的同时,将系统的目标模型映射为相应的行为模型,用标签转移系统表示;以可靠性需求为例,用标记目标模型规约任务的可靠性;然后将系统行为模型和可靠性规约整合为带可变状态的离散时间马尔可夫链,将候选自适应配置描述为不同可变状态间的组合;最终通过相关需求的在线验证,使系统找到关于某类上下文的最优决策配置.本文通过一个移动信息系统的案例展示了该方法的可行性和有效性.     

基于贝叶斯估计和群体智能的无人机轨迹优化

为提高无人机的定位精度与队形调整效率,提出了基于贝叶斯估计的定位模型和基于群体智能算法的队形调整方法。首先,考虑实际情况中的测量噪声影响,在定弦定角模型中引入贝叶斯最大后验概率得到新的定位模型。然后,针对粒子群算法易陷入局部最优的问题,结合模拟退火算法提出改进的队形调整算法。仿真结果表明：提出的定位模型对圆形(锥形)编队的误差率比初始模型降低72.8%(49.2%);改进的队形调整算法对圆形(锥形)编队的误差率相对于原始算法和遗传算法与高斯伪谱法相嵌套的方法分别降低了37.1%(27.0%)和24.7%(19.9%),收敛迭代次数分别降低了12.5%(20%)与12.5%(4.8%)。实验结果验证了提出的优化方案具有较高的精度和计算效率。     

基于贝叶斯方法的失踪目标优化搜索算法

摘要：针对特定区域失踪目标的搜索问题,提出一种基于贝叶斯方法的失踪目标优化搜索算法。首先介绍贝叶斯方法的应用以及搜索算法的优化,然后利用蒙特卡罗方法对不同的搜索算法进行模拟与比较,模拟结果显示基于贝叶斯方法的搜索算法与随机搜索、线性搜索相比具有明显的优势。同时还进一步探究了不同的区域网格数量对结果的影响。     

基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题,提出一种基于多源数据和集成学习的智能评估方法。首先,从多源数据中构造特征集,并利用Pearson相关系数与序列前向选择法提取最优特征子集;然后,基于构造的特征,以Bagging集成策略作为结合方法集成多个轻量级梯度提升机（LightGBM）,并利用贝叶斯优化算法对模型进行优化;最后,将该方法应用于房价评估问题,实现房价的智能评估。在真实的房价数据集上进行的实验表明,相较于支持向量机（SVM）、随机森林等传统模型,引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%,并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域,得到的评估结果更准确。     

基于贝叶斯网络的水下AUV健康管理方法

随着自主式水下航行器(AUV)系统不断向自动化、智能化方向发展,系统结构和功能也越来越复杂。针对AUV健康管理系统中未能充分挖掘多源数据中隐含的有效信息的缺点,提出了基于朴素贝叶斯网络的AUV健康管理方法。首先,采用朴素贝叶斯网络与数据结合的方式构建AUV的健康管理系统;其次,计算该系统各部件和子系统的健康指标,并对整体健康情况进行评估;最终,输出AUV系统的健康状态和寿命指标结果,得到AUV系统的健康指标。利用Visual Studio和MATLAB作为仿真平台实现该方法并对结果进行验证,实验结果表明,该方法可以实现对不同健康程度的量化分析和表达,可确保AUV健康长久地运行。     

一种数据缺失下贝叶斯网络增量学习的有效方法

提出一种在数据缺失下增量学习贝叶斯网络的有效算法IBN—M。IBN—M用结构化的EM算法来补全数据集中缺失的数据,并且能在并行和启发式搜索策略提供的较大的搜索空间里搜索,有效地避免了采用结构化EM算法而导致的局部极值。同时采用增量学习的方法,解决了大规模数据学习存在的内存空间不足的问题。实验结果表明IBN-M算法在数据缺失下贝叶斯网络的增量学习中确实能够学出相对精确的网络模型。     

基于贝叶斯网络的海量数据多维分类学习方法研究

摘 要: 多维分类根据数据实例的特征向量将数据实例在多个维度上进行分类,具有广泛的应用前景。在多维分类算法的模型学习过程中,海量的训练数据使得准确的分类算法需要很长的模型训练时间。为了提高多维分类的执行效率,同时保持高的预测准确性,本文提出了一种基于贝叶斯网络的多维分类学习方法。首先,将多维分类问题描述为条件概率分布问题。其次,根据类别向量之间的依赖关系建立了条件树贝叶斯网络模型。最后,根据训练数据集对条件树贝叶斯网络模型的结构和参数进行学习,并提出了一种多维分类预测算法。大量的真实数据集实验表明,本文提出的方法与当前最好的多维分类算法MMOC相比,在保持高准确性的同时将模型的训练时间降低了两个数量级。因此,本文提出的方法更适用于海量数据的多维分类应用中。     

基于朴素贝叶斯算法的电力数据合规风险智能监督方法

针对现有电力数据合规风险监督方法召回率、查准率较低,误报率较高等问题,研究引入朴素贝叶斯理论,提出并设计了一种电力数据合规风险智能监督方法。首先对电力数据进行采集及预处理,然后针对预处理后的电力数据完成电力数据合规风险特征提取,最后引入朴素贝叶斯算法,构建电力数据合规风险评估模型,实现对电力数据合规风险的智能监督。实验结果表明,应用所提方法后召回率在92%～95%,查准率高于93%,误报率仅为2%,优于对比方法,可对电力数据合规风险进行准确评估,具有较高的应用价值。