基于模糊动态贝叶斯网空战敌方作战企图识别

文章对空战中敌方目标作战企图的各个因素进行了分析,建立了敌方目标作战企图识别的动态贝叶斯网模型,根据连续变量的不同特点,通过构造和设置不同的隶属函数和参数,对连续变量的观测值进行模糊分类,通过引入可能性概率转换理论转换为贝叶斯网能够利用的证据信息用于推理,使对敌方目标作战企图的推理过程具有前后连续性,更加符合客观实际,有效地减少了主观判断带来的误差。仿真实验表明,该方法的推理结果与理论分析一致,为识别敌方目标作战企图提供了一种可行且有效的方法。     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．     

基于动态贝叶斯网络的目标毁伤等级评估

提出了基于动态贝叶斯网络的目标毁伤等级评估方法,建立了毁伤等级评估的动态贝叶斯网络模型,并通过具体的仿真实例验证了该方法的有效性。     

动态贝叶斯网络在战争身份识别中的应用

在战争身份识别中运用贝叶斯网络时,系统参数不能做到及时调整,动态贝叶斯网络可以解决这一问题,通过建立网络模型,引入时间因素,对系统参数进行分析与后验概率推理,利用隐马尔科夫模型对推理进行仿真实验.通过动态贝叶斯网络在战争身份识别中的使用为指挥员在有限的时间内作出有效的评估识别提供了依据,具有重要的实战意义.     

自适应安全分析和监测系统机理分析

对探测具有低信噪比特征的恐怖分子活动问题,其中包括"恶性的"或("恐怖分子活动")交易和嘈杂的("良性的")交易,提出了以隐马尔可夫模型和动态贝叶斯网络为基础的自适应安全分析和监测系统,用于帮助情报人员识别恐怖威胁,预测恐怖分子的可能活动.作为一种以交易为基础的分析工具,类似于有噪声背景的目标跟踪问题,将一系列在现实交易中可疑的人、地方和事情作为数据输入,利用隐马尔可夫模型,在前置变量法和时序似然比探测算法的基础上,提供描述恐怖分子网络节点状态的部分(不完整)观测数据的软性证据;构建分层贝叶斯网络,软性证据以可能性信息形式从隐马尔可夫模型传送到贝叶斯网络进行信息融合,用于升级贝叶斯网络的推理.和反恐网络模型相结合,自适应安全分析和监测系统收集、共享、识别信息,并且评价和预测恐怖分子网络的状态,为抑制可能的恐怖威胁给出可行性建议.     

基于贝叶斯网络的车辆并线意图识别

为了在多车道行驶场景中准确判断出旁车并线意图,提出了一种基于贝叶斯网络的旁车并线意图识别模型。首先,从运动轨迹数据集中筛选样本构建训练集和测试集,选取特征参数,并利用卡方分裂算法对其进行离散化预处理。其次,在评分搜索的网络结构学习基础上,加入随机抽样来避免局部最优,通过构造接近目标平稳分布的马尔可夫链,多次迭代直到收敛到平稳状态来选取最佳网络结构。然后,使用贝叶斯估计法学习网络参数,搭建基于贝叶斯网络的旁车并线意图识别模型。最后,以测试样本进行验证。验证结果表明:基于贝叶斯网络的旁车并线意图识别模型,对并线样本和直行样本的识别准确率分别高达94.76%和96.38%,具有良好的识别精度。减少任意一个纵向参数的模型识别准确率都大于87%,而减少任意一个横向参数的模型识别准确率都小于76%,横向参数对识别效果的影响力大于纵向参数。     

基于狼群角色匹配C-劳动分工机制的无人机集群空战策略

针对无人机集群在空战任务中的角色动态切换问题，提出了受狼群启发的无人机集群空战角色匹配C-任务分工方法，提高了应对复杂空战环境的动态任务执行能力。首先，通过分析狼群围捕行为特性，得到三种狼群个体特性，进而给出狼群角色匹配C-劳动分工模型。然后，基于无人机集群和狼群在行为机制上的相似性，将狼群的分工机制映射到无人机集群中，提出了无人机集群角色匹配C-任务分工模型。最后，针对不同任务分工下的目标分配问题，分别建立了攻击和制导任务的目标分配模型。仿真表明所提出的角色匹配C-任务分工方法能够有效解决空战角色动态切换问题，提高了整体空战能力。     

一种基于属性贝叶斯网络的行为识别模型

针对传统行为识别方法仅利用底层特征识别的不足,提出了一种将动作属性与贝叶斯网络相结合的行为识别方法.首先,提取视频中的时空兴趣点及其3D-SIFT特征描述符,用词袋的方法建立时空词典对视频序列进行表示;然后,利用底层特征训练属性分类器,构造由底层特征到高层特征的映射,将底层特征样本经过属性分类器后得到行为—属性的样本信息,并采用MAP(最大后验概率)准则学习贝叶斯网络结构,从而建立一种基于属性贝叶斯网络的行为识别模型.实验结果表明该模型能有效地进行行为识别.     

基于SBN模型的Internet应用协议识别方法

针对网络流量协议标注比较困难的问题,提出一种基于贝叶斯网络的半监督学习模型,以提高Inter-net协议的识别精度.该模型首先使用少量的标注样本训练贝叶斯网络分类模型,并对未标注样本进行初始分类,然后从未标注样本中挑选分类损失最小的样本加入到训练集中并重复训练分类模型,经过多次循环训练出最终的分类器.该模型可以使用未标注样本和标注样本共同训练分类模型,非常适合于标注比较困难的Internet应用协议的识别.实验结果表明：在标注样本较少的情况下,该模型的识别精度和稳定性均优于朴素贝叶斯模型和贝叶斯网络模型,对于提高Internet协议的识别精度是有效的.     

多源信息搏弈融合模型的研究及其在ETC中的应用

将搏弈论与信息融合技术相结合,针对多源信息冲突环境下的信息融合问题,提出了一种新的通用型融合功能模型多源信息搏弈融合功能模型.该模型在搏弈思想指导下,把局中人、对策和支付作为模型的基本要素,把目标识别或局势评估作为模型的核心功能,把融合中的冲突与合作视为多源信息以不同策略进行的交互搏弈.针对不确定性环境下的态势评估或目标识别,提出了以贝叶斯网络为基础的问题表示及求解方法.在应用中,将博弈融合模型及算法应用于ETC电子不停车收费中的车辆身份识别.实验表明,在车辆身份的识别过程中,博弈融合模型优于传统的信息融合方法,并能有效地改善识别结果,从而验证了博弈融合模型及其算法的有效性和具体应用价值.     

随机动态条件驾驶员多讫地出行路径选择研究

为解决驾驶员多讫地出行路径选择问题,综合各评价指标,提出了势力圆法,并对不同重要度讫地的势力圆分别进行了讨论研究. 结合离散动态贝叶斯网络,建立了多讫地出行的驾驶员路径选择动态决策模型. 通过具体算例对该模型进行了仿真验证,结果表明,综合势力圆法和离散动态贝叶斯网络方法在多讫地出行的路径决策中有着很好的适用性.      

视觉动态目标识别研究进展

近年来,基于计算机视觉的动态目标识别的研究和应用逐渐成为热点问题,通过介绍国内外基于计算机视觉的动态目标检测、确认、定位等领域的研究进展,展望目标识别的发展趋势.首先介绍目标识别过程中的典型方法,然后对基于计算机视觉的动态目标识别算法进行分类,接着对各种方法中采用的不同算法技术进行阐述,并分别介绍了各类别中具有代表性的算法及其优缺点,最后就动态目标识别领域的研究难点及发展趋势进行了简要论述.     

基于动力指纹和Bayes数据融合的桥梁损伤识别

受测量噪声的影响,采用单一指标评价桥梁安全容易产生误判,因此提出一种基于Bayes理论的桥梁损伤识别方法.该方法将识别过程分解为损伤定位识别与损伤定量识别两部分,首先采用Bayes公式融合归一化的动力指纹,进行损伤位置识别,进而提取损伤处的动力指纹构建Bayes网络,计算各节点的条件概率,从而识别损伤程度.通过简支梁数值模拟验证了该方法具有良好的抗噪性,尤其能够对小损伤准确定位,对程度差别小的损伤准确分类.     

复杂背景下基于肤色检测的动态手势分割与识别

在类肤色的复杂背景下,基于肤色检测的动态手势识别会因肤色干扰导致识别效率较低。提出了一种基于YCbCr颜色空间的改进三帧差分法的动态手势识别方法。首先利用改进的三帧差分法对动态手势进行分割,有效去除类肤色背景;然后根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法有效去除非肤色背景,分割出手势区域。通过双特征提取,有效去除大范围的肤色背景,最终得到完整的手势;最后利用BP神经网络较强的自学习能力,对分割的动态手势进行检测识别。实验结果表明,此方法在应对环境变化时具有较好的实时性和抗干扰能力,拥有较高的识别率。     

基于动态贝叶斯网络的非常规突发灾害事故情景推演

针对非常规突发灾害事故演变路径不清晰,演变过程及发展态势复杂,应急决策主体在应急救援过程中很难做出正确决策的现状,在分析非常规突发灾害事故情景演变规律的基础上,基于情景状态(S)、处置目标(T)、处置措施(M)和自身演变(E)四个要素分析了非常规突发灾害事故情景演变的路径,基于动态贝叶斯构建了非常规突发灾害事故动态情景网络,并利用联合概率公式进行相应节点变量的状态概率计算,实现了非常规突发灾害事故的关键情景推演.以大连"7·16"油库爆炸火灾事故为例,演示了非常规突发灾害事故的情景推演流程及关键技术,并对情景推演的结果进行了分析.推演结果表明:事故按输油管线爆炸→油罐爆炸起火→原油泄漏、污染海域的路径演变;其中,输油管线爆炸出现的概率为90.2%,T103罐爆炸起火出现的概率为84.1%,原油泄漏、污染海域出现的概率为80.3%,推演结果与实际灾害事故的情景发展状态基本一致,证明了该方法的合理性和可行性.     

基于隐马尔可夫模型的电力信息系统动态威胁定量分析

针对典型电力信息系统的网络威胁定量评估问题，提出了基于网络入侵检测系统（network intrusion detection syetem，NIDS）报警信息和隐马尔可夫模型的网络威胁动态分析方法HMM-NIDS。该方法充分利用NIDS报警信息，从优先级、严重度、资产值和可信度4个方面分析NIDS报警信息，给出了报警威胁定量描述和分类方法，优化了隐马尔可夫模型中的观测矩阵；基于贝叶斯网络分析攻击成功的可信度，避免NIDS误警信息干扰；基于改进的隐马尔可夫模型，融合得到系统的动态风险量化值。基于Darpa2000实验场景模拟DDoS攻击，通过对比实验，验证了所提方法的有效性和优越性。     

一种基于贝叶斯多分类器组合的视频人脸取证系统设计

 贝叶斯多分类器组合模型可以表示图像间的条件概率和限定语义,并依此预测用户查询和序列图像间的相似度,是解决视频序列图像信息检索的有效手段。为了提高视频人脸取证系统中人脸图像匹配速度和准确度,提出和设计了一种基于贝叶斯多分类器的视频人脸跟踪识别取证系统。给出了系统的总体结构、主要模块的设计,以及采用的关键技术。实验中训练数据为有限的静态人脸图像,测试数据为视频图像序列。实验表明,该系统识别效率高、取证能力强、容错性好,在视频人脸分类中具有较好的效果,为动静结合人脸图像分类提供了一定的依据。     

基于动态贝叶斯网络的燃气管网燃爆风险分析

针对传统风险分析方法无法实现动态评估的局限性，提出了基于动态贝叶斯网络的燃气管网风险分析模型.基于管道失效原因与事故后果，构建了事故演变全过程网络结构，并运用马尔科夫理论将演变全过程与时间相关联，最终建立了动态贝叶斯风险分析模型.该模型基于贝叶斯理论进行泄漏、致灾模式及后果节点的概率计算，实现了对燃气管网事故的原因诊断及事故发展态势预测.以松原"7.4"燃气爆炸事故为例，应用本模型演示了燃气管网事故推演技术，结果表明:事故是由第三方施工破坏引发燃气泄漏，由于燃气在土壤中的扩散范围不断扩大，扩散范围内受限空间数量不断增加，人员活动情况也更加复杂，进而增大了燃气聚集与点火概率；结合事故现场条件，本模型对这起爆炸概率进行了推演，认为此次燃气爆炸概率将在泄漏60 min后达到42.3%，高于安全泄放概率；该结果与真实情况基本相符，进一步验证了模型的可行性与可靠性.      

物联网终端智能识别系统设计与实现

终端智能识别是物联网应用的关键技术,是物联网安全体系构建的基础。针对物联网终端智能识别问题,建立了一种以设备指纹为动态特征标识的物联网终端智能识别实验系统。该系统由终端检测模块、模型训练模块以及智能识别模块构成,其中,终端检测模块利用Nmap工具扫描并自动采集设备指纹;模型训练模块分别利用决策树、逻辑回归与朴素贝叶斯等机器学习算法训练分类器;智能识别模块接收识别任务并调用前2模块完成设备指纹采集与分类识别处理。实验结果表明,决策树分类器在整体数据集上的平均识别率为98.1%,对于是否是物联网设备的判断识别率为98.7%,对于具体设备类型的识别率为98.2%,均保持较高识别水准,且优于其余2种算法识别器。因此,采用设备指纹与决策树算法结合识别物联网设备是可行的。