基于引力模型的朴素贝叶斯分类算法*

针对朴素贝叶斯分类器在分类过程中,不同类别的同一特征量之间存在相似性,易导致误分类的现象,提出基于引力模型的朴素贝叶斯分类算法。提出以引力公式中的距离变量的平方作为“相似距离”,应用引力模型来刻画特征与其所属类别之间的相似度,从而克服朴素贝叶斯分类算法容易受到条件独立假设的影响,将所有特征同质化的缺点,并能有效地避免噪声干扰,达到修正先验概率、提高分类精度的目的。对遥感图像的分类实验表明,基于引力模型的朴素贝叶斯分类算法易于实现,可操作性强,且具有更高的平均分类准确率。     

认知Ad hoc网络的频谱接入跨层设计方案*

为提高分布式认知Ad hoc网络的频谱感知精准性和能量有效性,提出了一种基于能量效率的频谱接入跨层设计方案。首先通过基于感知因子的完全二分图分解法对网络进行分簇,进而在簇内联合优化次用户的发射功率和接入概率,最终得到最优信道接入和功率分配方案。仿真结果表明,与传统算法相比该方案可通过合理分簇提高分布式认知网络的感知精度,在保证感知性能的条件下使系统能量效率得到有效提升。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

考虑随机不确定性的常态仿真模型确认试验设计

模型确认试验是一种新的试验,其目的在于度量仿真模型的可信度.为了得到低成本、高可信度的模型确认试验方案,提出一种随机不确定性模型确认试验设计方法.首先,基于面积确认度量指标提出一种新的无量纲的模型确认度量指标(面积确认度量指标因子),并且在其基础上发展了基于专家系统的仿真模型准确性定性评判准则;然后,建立随机不确定性模型确认试验优化设计模型,提出该优化模型的求解方法;最后,通过两个数值算例对提出的模型确认试验设计方法进行验证.结果表明,小样本情况下,试验方案的随机性会影响模型评判结果的可信度;面积度量指标因子随试验样本数量的增加而收敛;随机不确定性模型确认试验设计方法能够避免试验方案对模型确认结果的影响.     

基于反例确认的CPS不确定性模型校准

信息物理系统被广泛应用于众多关键领域,例如工业控制与智能制造.作为部署在这些关键领域中的系统,其系统质量尤为重要.然而,由于信息物理系统自身的复杂性以及系统中存在的不确定性（例如系统通过传感器感知环境时的偏差）,信息物理系统的质量保障面临巨大挑战.验证是保障系统质量的有效途径之一,基于系统模型与规约它可以证明系统是否满足要求的性质.现有一些信息物理系统的验证工作也取得了显著进展,例如模型检验技术就被已用工作用于验证系统在不确定性影响下的行为是否满足性质规约,并在性质违反的情况给出具体的反例.这些验证工作的一个重要输入就是不确定性模型,它描述了系统中不确定性的具体情况.而实际中要对系统中不确定性精确建模却并非易事,因此验证中使用的不确定性模型很可能与实际不完全相符,这将导致验证结果不准确并与现实偏离.针对这一问题,本文提出了一种基于反例确认的不确定性模型校准方法,来进一步精化验证结果以提高其准确度.首先通过确认反例在系统的执行中能否被触发来判断验证使用的不确定性模型是否精确.对于不精确的模型再利用遗传算法进行校准,并根据反例确认的结果来构造遗传算法的适应度函数以指导搜索,最后结合假设检验来帮助决定是否接受校准后的结果.在代表案例上的实验结果表明了我们提出的不确定性模型校准方法的有效性.     

云模型的布谷鸟搜索算法*

针对布谷鸟搜索算法(CS)存在的不足,优化布谷鸟搜索算法求解连续函数问题的性能,结合云模型在定性与定量之间相互转换的优良特性,设计出云模型的布谷鸟搜索算法(CCS)。其核心思想是通过云模型实现布谷鸟的进化学习过程,类似差分进化进行群体间的信息交流。经过10个测试函数的实验仿真,测试结果表明该文算法能有效改善求解连续函数优化问题的性能。同时,针对连续函数优化问题,该算法与其它算法相比是有更好性能的优化算法。     

企业运行指标因果分析的动态贝叶斯网络方法*

针对现有的企业运行指标分析方法只强调动态或静态信息,不易实现二者结合的情况,建立用于企业运行指标因果分析的动态贝叶斯网络模型,这种模型可将时间片间的指标动态时序因果关系与时间片内指标静态因果联系融为一体,并通过量化推理进行动态与静态因果分析。通过与领域专家交流,所建立的企业运行指标动态贝叶斯网络良好地反映了数据中所蕴含的因果关系。     

基于用户潜在时效偏好的推荐算法*

针对推荐系统中用户兴趣的潜在性以及高时效性业务场景下用户兴趣的不稳定性和时间迁移性进行研究,提出一种基于用户潜在时效偏好的推荐方法。通过深入分析用户的历史行为与用户潜在兴趣的关系,提出基于概率主题模型的用户兴趣挖掘方法,避免了传统推荐方式对用户兴趣潜在性的忽略;同时,基于高时效业务对时间敏感性的考虑,结合隐马尔科夫模型对用户兴趣进行实时捕获,发现用户的兴趣迁移序列,并以此提出基于用户时效偏好的推荐方法。最后通过相关实验验证了所提出方法的可行性。     

基于贝叶斯算法与高斯混和模型的语者确认研究

文章针对统一背景模型与群模型两种反模型进行了分析,在基于统一背景模型与群模型的改进说话人确认模型的基础上,将贝叶斯自适应算法引入到基于高斯混合统一背景模型的说话人确认系统,解决了说话人确认中存在的模型不匹配问题,通过文本无关的测试语音库进行的实验和分析显示,改进算法具有更好的识别效果。     

基于区间数和理想解的信息安全风险评估研究*

在信息安全风险评估的过程中需要收集多位专家的评估意见作为基础数据,为了更准确地提取专家意见中包含的信息,对基于区间数模糊综合评判的风险评估模型提出了一种改进方案。该方案建立了一种新的评判矩阵形式,为专家提供了更大的表达意见的空间,同时保留给出评估意见的每一位专家的信息,使意见与其出处可以一一对应。然后通过逼近理想解法计算每位专家所给意见的准确度,经过汇总以得到更合理的评判结果,最后对一个实际的系统进行了实例计算,验证了该方法的可行性和合理性。     

Representation of analysis results involving aleatory and epistemic uncertainty

Procedures are described for the representation of results in analyses that involve both aleatory uncertainty and epistemic uncertainty, with aleatory uncertainty deriving from an inherent randomness in the behaviour of the system under study and epistemic uncertainty deriving from a lack of knowledge about the appropriate values to use for quantities that are assumed to have fixed but poorly known values in the context of a specific study. Aleatory uncertainty is usually represented with probability and leads to cumulative distribution functions (CDFs) or complementary CDFs (CCDFs) for analysis results of interest. Several mathematical structures are available for the representation of epistemic uncertainty, including interval analysis, possibility theory, evidence theory and probability theory. In the presence of epistemic uncertainty, there is not a single CDF or CCDF for a given analysis result. Rather, there is a family of CDFs and a corresponding family of CCDFs that derive from epistemic uncertainty and have an uncertainty structure that derives from the particular uncertainty structure (e.g. interval analysis, possibility theory, evidence theory or probability theory) used to represent epistemic uncertainty. Graphical formats for the representation of epistemic uncertainty in families of CDFs and CCDFs are investigated and presented for the indicated characterisations of epistemic uncertainty.     

虚拟维修模型的校验方法研究

介绍了虚拟雏修与建模仿真的关系,分析了虚拟维修模型校验的特点,研究了虚拟维修模型校验的方法,分别应用置信区间法、假设检验法、Bayes法、TIC法、频谱分析法从静态性能和动态性能两个方面对模型实施校验,从而为虚拟维修模型准确性、实时性提供了较为可靠的验证方法.为虚拟维修模型的校验提供一套系统的理论和方法,有利于虚拟维修模型得到更好应用.     

基于概率分布距离的多响应模型确认度量

针对模型确认中的确认度量问题,构造实验观测数据经验概率分布的置信包络。通过计算其与模型响应概率分布之间距离的上/下确界,给出基于概率分布距离确认度量的置信区间。通过构造与实验观测数据有关的协方差矩阵,给出基于概率分布距离的多响应模型确认度量及其置信区间的求解方式。该度量利用了模型输出与实验观测的完整概率分布信息,并且考虑了各模型响应间的相关性。算例仿真结果表明其确认错误率低于现有的其他两种确认度量。     

考虑不确定性的供应链计划模型

对供应链计划建立了考虑不确定性的战略层模型和运作层模型。以一啤酒厂进行了实例研究,对所建模型和确定性的供应链计划模型进行了比较,并对柔性参数进行了灵敏度分析。结果表明,该模型能帮助设计具有柔性的供应链系统,通过灵敏度分析,可以更好地理解供应链的特性。     

Closed-loop model set validation under a stochastic framework

This paper deals with probabilistic model set validation. It is assumed that the dynamics of a multi-input multi-output (MIMO) plant is described by a model set with unstructured uncertainties, and identification experiments are performed in closed loop. A necessary and sufficient condition has been derived for the consistency of the model set with both the stabilizing controller and closed-loop frequency domain experimental data (FDED). In this condition, only the Euclidean norm of a complex vector is involved, and this complex vector depends linearly on both the disturbances and the measurement errors. Based on this condition, an analytic formula has been derived for the sample unfalsified probability (SUP) of the model set. Some of the asymptotic statistical properties of the SUP have also been briefly discussed. A numerical example is included to illustrate the efficiency of the suggested method in model set quality evaluation.     

基于Bayes的对等网信任模型仿真与分析

针对对等网络环境中的信任关系的复杂性,动态性和不确定性以及传统的信任管理模型不能很好地适应对等网络,对基于Bayes概率统计的信任量化模型进行仿真与分析,在信任计算中,引入经验贝叶斯估计来计算直接信任值和推荐信任值,节点根据自身的情况进行权重分配,计算综合信任评价,最后提出了信任模型在对等网络中的实现方法。仿真结果显示,该模型具有很好的动态适应能力,可以有效地检测并隔离系统中的恶意节点,降低系统的服务失败率。     

New approaches to compute Bayes factor in finite mixture models

Two new approaches to estimate Bayes factors in a finite mixture model context are proposed. Specifically, two algorithms to estimate them and their errors are derived by decomposing the resulting marginal densities. Then, through Bayes factor comparisons, the appropriate number of components for the mixture model is obtained. The approaches are based on simple theory (Monte Carlo methods and cluster sampling), what makes them appealing tools in this context. The performance of both algorithms is studied for different situations and the procedures are illustrated with some previously published data sets.     

Validity of the standard cross-correlation test for model structure validation

In the standard prediction error framework of system identification, statistical properties of estimated models are typically derived under the assumption that the true system is in the model class. The standard model structure validation test for plant models is the sample cross-correlation test between the residuals of the model and the input. It turns out that the standard test itself is valid only under exactly those assumptions it is meant to verify, i.e. the system is in the model class. It is shown that for reliable results of the validation test a vector-valued test is required and that accurate noise modelling is indispensable for reliable model structure validation. This shows the limitation of separate validation of plant and noise model structures. Improvements of the test are presented, and it is motivated by the fact that reserving data only to be used for model validation is not efficient.     

多维不确定性XML数据模型的研究

不确定海量数据存储与记录的广泛应用及其在XML上的扩展,使XML的关联事件概率的数据模型研究成为研究热点,以描述复杂事件的概率数据模型为目标,在当前已有概率模型的基础上,提出了多维不确定概率模型空间的概念,基于多个概率模型进行统一建模,并把单维XML概率节点引申到多维空间,进而定义了统一的空间查询方式,为复杂概率数据建模和查询优化提供了一种新颖的理论方法。     

贝叶斯方法在文本分类预处理中的应用

在文本分类预处理过程中,运用贝叶斯方法构造计算文本关键词的条件概率模型,通过计算文本关键词的出现概率将文本映射为关键词的概率向量。在这个过程中贝叶斯方法用于计算条件概率而非分类。