基于遗传算法的动态Bayesian网结构学习的研究

动态Bayesian网是复杂随机过程的图形表示形式,从数据中学习建造动态Bayesian网是目前的研究热点问题.本文针对该问题提出了一种遗传算法.文中设计了结合数学期望的适应度函数,该函数利用进化过程中的最好动态Bayesian网把不完备数据转换成完备数据,使动态Bayesian网的学习分解为两个Bayesian网(初始网和转换网)的学习,简化了学习的复杂度.此外,文中给出了网络结构的编码方案,设计了相应的遗传算子.模拟实验结果表明,该算法能有效地从不完备数据序列中学习动态Bayesian网,并且实验结果说明了隐藏变量的作用和遗传控制参数对结果模型的影响.     

Bayesian网转化为神经元网

Bayesian网目前广泛应用于专家系统中,用于处理大量以条件概率为形式的数据.本文借用神经元网络结构,根据专家给定的相关模型和部分观察集使用后向传播对条件概率进行估计,并在训练中,保持Bayesian网特性不变,应用Occam修剪法则,在化简过程中提炼其中的规律.实践表明,对于复杂的问题,由化简的因果模型得出的神经元网络更有效.     

信息安全风险概率计算的贝叶斯网络模型

构建了一个基于贝叶斯网络的信息安全风险概率计算模型,并保证其可扩展性、精确性和客观性.模型的网络结构以规划渗透图表现,模型网络参数由专家知识确定并利用贝叶斯学习对其进行更新.实例分析表明构建的模型可以正确量化评估信息安全风险概率.     

基于大数据下的通信安全库存预估模型研究

以利用大数据对库存水平进行预测为切入点,以通信行业的库存物资动态特征历史数据为支撑,通过数据挖掘和相关分析构建了基于支持向量机-稀疏贝叶斯学习方法(Support Vector Machine-Sparse Bayesian Learning,SVM-SBL)的库存信息需求概率预测模型.将上述预测模型应用于通信行业的一...     

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散化标准制作训练数据集合;然后使用训练数据集合对贝叶斯网络进行结构学习学得贝叶斯网络结构,以及参数学习学得与贝叶斯网络结构匹配的条件概率表;最后加入附加信息计算出每种降水粒子类先验概率,与贝叶斯网络结构和条件概率表共同组成贝叶斯网络分类器.训练好的贝叶斯网络分类器根据最大后验概率准则完成对测试数据的降水粒子分类,与模糊逻辑算法对比评价结果.实验证明:该方法能有效区分不同的降水粒子得到准确的降水粒子分类结果.     

Bayesian可靠性评估中多源信息融合的概率模型方法

在Bayesian可靠性评估理论中,验前分布的获取和表示是一个关键问题.针对工程实践中遇到的验前信息的多源性.给出了一种基于概率模型的多源异总体验前分布的融合方法,并通过仿真实例证明了该方法的有效性.     

基于非线性滤波的自适应交互式多模型算法

研究了基于非线性条件下的自适应交互多模型算法,并将EKF及UKF引入自适应交互多模型算法(AIMM).交互多模型算法(IMM)是机动目标跟踪中比较有效的方法,然而传统IMM算法中的滤波参数完全是人为先验确定的,并没有利用当前时刻量测中的信息,文中给出基于后验概率的模型转移概率自适应交互多模型算法.最后通过一个仿真实例比较了AIMM中EKF方法与UKF方法及传统IMM方法的优劣,并分析了结论.     

基于DPSO的不确定系统测试性建模

针对关联模型在复杂装备测试性评估中对不确定问题描述与分析的缺陷,给出了基于贝叶斯网络的测试性模型,利用条件概率描述系统的不确定信息.在基于统计数据的测试性建模与评估中,由于故障征兆与故障原因统计的不完全性,致使测试性建模属于数据不完备情况下的结构和参数学习问题,针对该问题利用离散粒子群算法,通过测试性数据完备化,以贝叶斯测度为计分值,实现贝叶斯网络结构学习.最后通过实例验证了算法的正确性和有效性.     

固定航线的航空自组网连通性研究

网络连通性是组网与路由研究的前提和基础,针对目前对固定航线航空自组网连通性研究较少的现状,提出一种连通性研究方法.该方法结合实际航线分层、双向的特点,通过建立飞机分布模型与航线模型,推导出了一维航线连通性表达式.在此基础上,运用基于概率矩阵的概率图求解方法对航线网的连通性进行理论研究,并用实验证明其正确性.随后,根据实际航班数据对我国部分空域内一维航线及航线网的连通性进行仿真,结果表明航空自组网在上述空域具备可行性.最后,从航班安排、航线规划等4个方面对提升连通性给出了合理性建议.     

基于随机退化数据建模的设备剩余寿命自适应预测方法

针对现有剩余寿命预测研究中需要多个同类设备历史数据离线估计模型参数的问题,本文提出了一种基于退化数据建模的服役设备剩余寿命自适应预测方法.该方法,利用指数随机退化模型来建模设备的退化过程,基于退化监测数据运用Bayesian方法更新模型的随机参数,进而得到剩余寿命的概率分布函数及点估计.区别于现有方法,本文方法基于设备到当前时刻的监测数据,利用期望最大化算法对模型中的非随机未知参数进行在线估计,由此无需多个同类设备历史数据.最后,通过数值仿真与实例分析,验证了本文方法在剩余寿命预测时的有效性.     

多贝叶斯网络分类器集成模型研究

提出了一种多贝叶斯网络集成的分类和预测方法.把专家知识作为"疫苗",利用免疫遗传算法和约束信息熵适应度函数相结合的方法进行贝叶斯网络结构的学习,得到多个反映同一样本数据集的、网络结构复杂度折衷的、满意的贝叶斯网络结构.然后,给出了多贝叶斯网络分类器集成模型,把学习得到的贝叶斯网络进行集成,代表"专家"对未知类别的不完全数据进行群决策的分类和预测,提升贝叶斯网络分类器的泛化能力.最后,结合贝叶斯推理工具GeNIe软件,通过实例说明该方法的合理性和有效性.     

基于改进DS证据理论和BN的信息安全风险评估

针对信息安全风险评估过程中专家评价意见的多样性以及不确定信息难以量化处理的问题,提出了一种基于改进的DS证据理论与贝叶斯网络(BN)结合的风险评估方法.首先,在充分研究信息安全风险评估流程和要素的基础上,建立了风险评估模型,确定风险影响因素;其次,根据评估模型并结合专家知识构建相应的贝叶斯网络模型,确定贝叶斯网络模型中的条件概率表;再次,利用基于权值分配和矩阵分析的改进DS证据理论融合多位专家对风险影响因素的评价意见;最后,根据贝叶斯网络模型的推理算法,计算被测信息系统处于不同风险等级的概率值,并对结果进行有效性分析.分析表明,将改进后的DS证据理论与贝叶斯网络应用到风险评估过程中,在一定程度上能够提高评估结果的可信度和直观性.     

基于动态云贝叶斯网络的舰艇防空目标威胁评估

针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型.首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计...     

基于混合方式的贝叶斯网络等价类学习算法

贝叶斯网络(BN)是不确定知识表示和推理的主要方法之一,是人工智能中重要的理论模型.针对现有混合方法学习BN结构不稳定、容易陷入局部最优等问题,本文将图论中的最大主子图分解理论与条件独立(CI)测试相结合,同时引入少量的局部评分搜索,提出一种新的基于混合方式的BN等价类学习算法.新算法通过确定所有变量的Markov边界构造网络的无向独立图,并对无向图进行最大主子图分解,从而将高维的结构学习问题转化为低维问题,然后利用低阶CI测试和局部评分搜索识别子图中的V结构.理论证明以及实验分析显示了新算法的正确性和有效性.     

DNESYS-an expert system for automatic extraction of drainagenetworks from digital elevation data

The problems that arose in earlier programs to map drainage systems are analyzed in detail. An expert system called the drainage Network Extraction System (DNESYS) is described. It uses both local operator and global reasoning to extract drainage networks and ridge lines. A stream representation called a parameterized directed graph (PDG) is constructed to model a drainage system. The construction of the model begins with an initial pixel labeling procedure. Then, a network tracing and property measurement procedure converts the two-dimensional low-level labeling information into a symbolic database for high-level processing. The application of Dempster-Shafer evidence theory allows evidence collection and uncertain reasoning to be performed against the DNESYS knowledge-base that contains the drainage system model and the organized expert knowledge. By discarding erroneous information and supplying missing information, DNESYS produces a complete PDG which can be converted into the final drainage system     

基于贝叶斯网络模型的遥感图像数据处理技术

贝叶斯网络是一种不确定性知识的推理和描述技术,针对遥感数据的复杂性和不确定性,该文提出了一种基于贝叶斯网络模型的遥感数据推理和描述技术。文中利用 2002年春季中-日亚洲沙尘暴项目的土地利用数据(LU),沙尘监测数据(TSP),卫星 AVHRR时间序列 LST/Albedo数据,采用贝叶斯网络模型进行了知识描述和信息推理预测实验,取得了较好的效果。     

LSPEnv: location-based service provider for environmental data

The state of our environment becomes a very important issue and especially people with health problems need more information and support in their daily life. This article presents an approach for forecasting values of several environmental-state variables as a basis for location-based services. We propose a system for making predictions for several spatial temporal variables using the Bayesian Network method as a machine learning technique. The system is based on a three-tier architecture, which assists the environmental data acquisition, processing and dissemination of predictions. To handle the missing values of data we use the structural expectation maximisation algorithm. The system's evaluation case study is based on real environmental data acquired from the Swiss national network. The data represents several environmental-state variables at different types of location, e.g. rural, urban, and at different times in a time span of a year.     

Hyperparameter Optimization for Machine Learning Models Based on Bayesian Optimization

Hyperparameters are important for machine learning algorithms since they directly control the behaviors of training algorithms and have a significant effect on the performance of machine learning models. Several techniques have been developed and successfully applied for certain application domains. However, this work demands professional knowledge and expert experience. And sometimes it has to resort to the brute-force search. Therefore, if an efficient hyperparameter optimization algorithm can be developed to optimize any given machine learning method, it will greatly improve the efficiency of machine learning. In this paper, we consider building the relationship between the performance of the machine learning models and their hyperparameters by Gaussian processes. In this way, the hyperparameter tuning problem can be abstracted as an optimization problem and Bayesian optimization is used to solve the problem. Bayesian optimization is based on the Bayesian theorem. It sets a prior over the optimization function and gathers the information from the previous sample to update the posterior of the optimization function. A utility function selects the next sample point to maximize the optimization function. Several experiments were conducted on standard test datasets. Experiment results show that the proposed method can find the best hyperparameters for the widely used machine learning models, such as the random forest algorithm and the neural networks, even multi-grained cascade forest under the consideration of time cost.     

基于模糊贝叶斯网络的引水隧洞安全评价模型分析

为准确预测黄河引水隧洞安全隐患,提出基于模糊集理论和主观贝叶斯方法的模糊贝叶斯安全评价模型。结合实际巡检数据,模型使用贝叶斯网络处理模糊信息与不确定信息,将巡检数据中给出的多态性故障事件模糊化;再通过贝叶斯网络的条件概率表找出不同故障事件之间的逻辑关系;最后获得对引水隧洞安全模型的整体评价。通过开展引水隧洞安全评价模型实例分析,验证了该方法的可行性。     

贝叶斯网络应用中的结构学习方法研究

贝叶斯网络是用于表示不确定变量之间潜在依赖关系的图形模型。结构学习是贝叶斯网络学习的核心,有效的结构学习方法和算法是构建最优网络结构的基础。文中对迄今为止贝叶斯网络应用中的结构学习方法进行探讨,从复杂度、适用性等方面对其进行分析比较,并指出每种方法的关键环节和主要思想,对实际应用中的方法选择和研究提供了参考。