基于贝叶斯网络理论的时变混合盲源分离算法

以状态空间模型作为信道的变化模型,研究了时变混合情况下非平稳信号的盲分离问题。首先将隐马尔可夫模型（HMM）和混合高斯（MOG）模型结合起来对具有动态结构和复杂分布的非平稳源信号进行建模,然后运用贝叶斯网络理论处理信道时变情况下独立成分分析（ICA）模型中各变量和参数之间的关系,提出了一种基于贝叶斯推断的可同时完成混合矩阵盲估计及源信号盲分离的算法,通过采用逼近方法有效地减小了算法计算量。计算机仿真试验证明本文算法的有效性。     

基于贝叶斯网络的新媒体事件分类模型

为了对新媒体事件进行准确有效分类,提出一种将K-means算法和贝叶斯网络相结合的混合算法。该算法首先运用K-means算法将训练样本聚类,再根据聚类的结果,运用改进的贝叶斯网络对新媒体事件进行分类。其中,层次贝叶斯网络模型的构建,避免了贝叶斯网络在参数学习时陷入局部寻优;同时引入隐藏节点,更大程度满足了贝叶斯网络的条件独立假设。实验结果表明该算法效果明显。     

基于贝叶斯网络理论的道德图学习*

贝叶斯网络的道德图是一种马尔可夫网络,是进行随机变量之间依赖关系分析、推理及预测的有力工具。基于道德图和贝叶斯网络间的密切联系,提出了一种基于贝叶斯网络理论进行道德图学习的方法。实验表明该方法能够显著提高道德图学习效率和可靠性,适合于多变量稀疏道德图学习。     

基于动态贝叶斯博弈的攻击预测模型

提出了基于动态贝叶斯博弈的攻击预测模型。该模型能根据攻击者的历史行为，使用贝叶斯法则对网络中存在恶意主机节点的概率进行合理的修正，并以此为基础，通过分析攻击者和防御者双方的收益，预测出理性的攻击者和防御者在下一个博弈阶段会选择攻击和防御的概率。预测结果为网络安全管理员进行安全配置提供了有价值的参考依据，从而使被动的检测变为主动的有针对性的防御成为可能。最后介绍了相应的实验过程和结果分析，验证了模型的有效性。     

基于静态贝叶斯博弈的攻击预测模型

提出了基于静态贝叶斯博弈的攻击预测模型.该模型通过模拟攻击者和防御者的攻防行为选择,能预测出理性的攻击者和防御者为最大化各自的收益会选择攻击和防御的概率.预测结果为网络安全管理员进行安全配置提供了有价值的参考依据,从而使被动的检测变为主动的有针对性的防御成为可能.最后介绍了相应的实验过程和结果分析,验证了模型的有效性.     

基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法研究

伴随流式数据处理需求而产生的复杂事件处理技术,在处理具有多样性和流式特征数据方面性能表现突出,被广泛应用于复杂事件大数据处理系统中。针对复杂事件大数据处理系统测试需求,提出一种基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法,该方法以部分真实数据中的复杂事件结构关系及概率分布特征构建贝叶斯网络预测模型,生成具有真实数据结构特征与分布特征的复杂事件测试数据集。实验结果表明,提出的方法具有可行性。     

基于主分量分类的交通事件自动检测算法

利用主分量分类方法,研究改进的基于主分量分类的交通事件自动检测算法。主分量分类方法是一种改进的两类模型分类法。该分类法求解样本方向,该方向可以看作超平面的法方向,根据这个方向将样本中一类数据从另一类数据中分离。样本在法方向上的投影用来估计每个实例的条件概率,然后根据贝叶斯规则实现实例的分类。对于线性不可分等复杂的分类问题,可通过核函数作用将数据映射到高维特征空间中实现线性可分。最后对I-880高速公路事件数据的仿真结果表明,KPCC算法获得了100.00%的检测率、1.82%的误警率和1.02分钟的平均检测时间。     

数据驱动的多变量报警事件预测

对生产过程中的报警事件进行预测能够预测危险工况,指导操作人员实施相应的措施,从而避免危险事故的发生。论文提出了一种基于贝叶斯网络模型(Bayesian network)的报警事件预测方法,首先通过历史数据提取报警事件序列,分别建立单变量和多变量报警事件的贝叶斯网络,采用期望最大化(EM)算法和贪婪搜索算法相结合来确定贝叶斯网络的参数与结构,通过概率推理对报警事件进行预测。实例仿真表明,该方法可以有效地挖掘历史数据信息,实现准确的报警事件预测。     

基于贝叶斯网络理论的TAN分类器无向依赖扩展

基于贝叶斯网络理论，对TAN分类器进行无向网络依赖扩展，把属性变量之问的树结构扩展成可分解马尔科夫网络．使经过依赖扩展得到的分类器能够充分利用属性变量之间的依赖信息，提高分类能力，并能够通过调节阚值大小避免过度拟舍．     

一个基于实际测试的网络流量模型

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础。本文设计了一种在于实际网络测试的时间相关流量模型的方法,采用该流量模型预测网络流量。文章提出了网络流量预测精度的数学定义。网络测试实验表明,此流量模型具有更高的精度,适用于实际运行的网络环境。     

基于SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。     

基于对向传播网络的交通事件检测算法

针对高速公路交通这个复杂的非线性系统,提出一种基于对向传播网络的交通事件检测算法。阐述了对向传播网络的结构和学习算法,给出了事件检测的依据,并合理地选择了网络的输入参数,用高速公路管理部门提供的样本数据进行了仿真研究。仿真结果表明,该事件检测算法具有学习速度快、泛化能力好、检测准确率高、平均检测时间短等优点,具有良好的应用前景。     

基于对向传播网络的交通事件检测算法

针对高速公路交通这个复杂的非线性系统，提出一种基于对向传播网络的交通事件检测算法。阐述了对向传播网络的结构和学习算法，给出了事件检测的依据，并合理地选择了网络的输入参数，用高速公路管理部门提供的样本数据进行了仿真研究。仿真结果表明，该事件检测算法具有学习速度快、泛化能力好、检测准确率高、平均检测时间短等优点，具有良好的应用前景。     

基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

基于深度学习的网络流量预测研究综述

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。     

基于Bayes网的软件失效预测模型

Owing to the complexity of software development,the software reliability model should not only have the capability of dealing with multiple complex factors,but also provide the furtction of flexibility in construction.So far,no software reliability model is universally applicable.The main reason for this is of too many conditions ,thus making software reliability models introvert.Bayesian network is a powerful tool for solving this problem,which exhibits strong adaptability in dealing with problems involving complex variant factors.In the paper,software failure predication model based oft Markov.Bayesian network is established and analyzed thoroughly.Then a method of solving the model is given.Finally,through an example the validity of the model is validated.