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...     

基于面向对象概率关系模型的威胁级别评估

针对传统贝叶斯网络对复杂对象建模存在的问题,分析了面向对象的概率关系模型。建立基于面向对象概率关系模型知识库的贝叶斯网络生成算法,建立战场威胁级别评估模型,并实现对威胁级别的评估。仿真结果证明了该方法的有效性,并且具有比贝叶斯网络模型更强的建模能力。     

基于改进FAHP-BN的信息系统安全态势评估方法

针对信息系统安全态势评估中安全风险等级确定问题,提出了一种利用改进的模糊层次分析法(FAHP)和贝叶斯网络推理评估安全态势的方法.采用改进的FAHP,解决了评估中难以衡量的攻击严重性因素的量化问题;同时,结合专家知识定义了推理规则下各因素的条件概率矩阵,进而建立了态势评估的贝叶斯网络推理模型,并给出了基于此模型的评估方法.实例分析表明,该方法合理有效,可为信息系统安全态势评估提供一种新思路.     

基于综合推理的威胁代价动态评估

针对作战飞机突防过程中威胁代价评估问题提出综合推理方法,引入离散动态贝叶斯网络算法,构建威胁源自主识别网络模型,引入基于最大综合拦截概率的威胁代价评估算法,形成瞬时跟踪概率、连续跟踪概率、杀伤概率等的综合计算模型。通过仿真分析表明,该方法针对地面威胁源实现了自主分类识别和优化代价解算。     

基于贝叶斯网络的复杂系统动态故障树定量分析方法

动态故障树的贝叶斯网络分析方法存在局部组合爆炸和备件门节点失效时间仅能是指数分布的不足.首先,给出动态故障树转换为离散时间贝叶斯网络的方法,该方法使用一个确定性函数来替代条件概率表,避免了局部组合爆炸.然后,根据备件门的失效机理和对应的贝叶斯网络结构特征,解决了备件节点失效时间仅能是指数分布的限制.最后,提出一种基于动态故障树的贝叶斯网络精确推理算法,基于该算法给出了系统失效分布、组件重要度等概率计算.实验结果表明,该方法能有效地分析和评估安全攸关系统的概率特性.     

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.     

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.     

基于模糊贝叶斯网的威胁等级评估研究

针对现代复杂战场环境下威胁等级评估信息的不确定性,结合模糊数学及贝叶斯网提出了基于模糊贝叶斯网的威胁等级评估方法。在充分考虑威胁源相对于UCAV的距离、方位角对其隐身能力影响的基础上,从不确定性知识的概率化入手,综合天气、威胁类型、距离、方位角等不确定因素对威胁等级进行评估,采用加拿大Norsys软件公司的Netica软件建立贝叶斯网威胁评估模型并进行仿真。结果表明,该方法能快速、准确地评估威胁等级,具有一定的参考价值。     

基于贝叶斯网络的客户流失分析

随着电信市场竞争加剧,客户流失现象成为电信运营商关注的问题.文中基于数据挖掘手段,采用贝叶斯网络分类器,进行电信客户流失分析.在贝叶斯网络构造过程中,结合采用K2和MC-MC算法构建网络.根据贝叶斯网络的拓扑结构,筛选出客户流失相关的显著指标;由条件概率表确定客户的流失规则,进而确定高流失的客户群.考虑分类的误判损失函数,给出不同分类临界值下,贝叶斯网络模型的分类效果.与其它分类算法相比,比如决策树和人工神经网络,在客户流失率很低的情况下,该算法不需要进行＂过量抽样＂.     

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.