贝叶斯网络个人信用评估模型

研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器2种贝叶斯网络信用评估模型的精度,用10层交叉验证在2个真实数据集上对贝叶斯网络信用评分模型进行了测试并与神经网络模型进行了比较.结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.     

基于Stacking策略的集成BN网络目标威胁评估

现有基于贝叶斯网络的威胁评估采用专家经验确定的朴素结构,其推理评估结果精度欠佳。为此,提出一种融合专家经验与数据观测的基于Stacking策略的集成贝叶斯网络(ensemble Bayesian network, EBN)。首先使用不同搜索空间内的评分优化算法获得数据观测模型集并进行模型平均;然后使用专家经验朴素模型对平均网络进行修剪,形成威胁约束集合;最后以动态规划为基础,通过该集合限制节点序图扩展,以求取全局最优威胁评估网络。在作战想定中,EBN模型单目标威胁概率推理精度比朴素贝叶斯模型高出10%,在多目标威胁排序任务中,其Spearman系数分布亦优于朴素模型。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于数据修补DDBNs的空中目标识别方法研究

简要分析了离散动态贝叶斯网络用于目标识别时对缺失数据处理方法的研究现状,提出了把数据修补技术用于变结构离散动态贝叶斯网络。首先在对空中目标识别模型分析的基础上,构建了一种基于数据修补的离散动态贝叶斯网络模型。进而构建了修补算法的数学模型,并给出了修补过程。待缺失数据修补完整后,再运用修正后的直接推理算法计算目标类型。通过仿真结果对比,表明该方法可以有效地提高识别系统的准确性、可靠性和鲁棒性。     

一种改进的贝叶斯分类器剪接位点预测

虽然现有的DNA剪接位点辨识算法取得很高的辨识精度,但是大多数方法计算量很大。朴素贝叶斯分类器是一种简单而高效的分类器,但是它的属性独立性假设使其无法表示现实世界属性之间的依赖关系,影响了它的分类性能。将朴素贝叶斯分类器进行改进,推导出决策属性和各条件属性对数值间存在线性关系,并用最小二乘法求出这种线性关系系数,设计出一种新的贝叶斯分类器。将改进的贝叶斯分类器应用于DNA序列剪接位点的辨识中。仿真结果表明,本算法计算时间和测试样本的数量成线性关系,辨识精度较朴素贝叶斯分类器有明显提高,同时高于现有辨识算法。     

空地精确制导武器对地攻击目标毁伤评估

针对现代战场的复杂性、目标毁伤评估信息的多样性、不确定性,结合模糊理论和贝叶斯网络建立了目标毁伤评估模糊贝叶斯网络模型.对于网络中的连续节点, 运用模糊理论将其转换为相应的隶属度,再利用可能性概率转换理论转换为可用于贝叶斯网络推理的概率知识.模型考虑了天气、电子和光学干扰、武器-目标匹配度等因素对目标毁伤评估的影响,作战决策人员可以运用该模型对各种攻击条件下的目标毁伤效果进行仿真,快速、准确地评估目标毁伤等级,并可融合战后收集的侦察情报得到目标真实毁伤信息,利用评估准确度对预测评估模型进行修正,最终为是否进行二次打击及合理配置火力提供决策依据.     

一种新的多关系朴素贝叶斯分类器

针对现有多关系朴素贝叶斯分类器中存在的统计偏斜问题,扩展了语义关系图的定义,给出了一种新的统计计数方法,构建了相应得多关系朴素贝叶斯分类公式,形成了一种基于关系数据库技术的新的多关系朴素贝叶斯分类器。为高效进行关系表连接,采用元组ID传播方法对关系表进行虚拟连接。进一步提高分类准确率,基于互信息标准对属性进行剪枝。实验显示新的分类器具有良好的分类性能。     

基于时间Dirichlet过程混合模型的在线目标跟踪

针对目标跟踪过程中,可变目标表观的特征数据会发生“分布漂移”的问题,提出一种基于非参贝叶斯多模表观模型的目标跟踪方法.首先,以时间Dirichlet过程为先验分布,把先前估计的目标样本划分为不同的聚集,使得每个聚集表示一类表观,同时,每个表现类被建模为判别式分类器;然后,基于贝叶斯后验推断,权衡先前表观模型的分类误差和拆分聚集的代价,从数据中自主学习表现模型;最后,基于Noisy-OR模型,以贪心(Greedy)策略协同各表观分类器判别出目标.仿真结果表明该方法能较好的跟踪可变目标表观,改善了目标跟踪性能.     

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。     

基于分包的混合朴素贝叶斯链路预测模型

隐朴素贝叶斯模型(HNB)和树增强朴素贝叶斯模型(TAN)通过挖掘共邻节点之间的内在关联缓解局部朴素贝叶斯模型(LNB)的强独立性假设,却忽略了真实网络中同时存在关联紧密的节点和相对独立的节点。在此基础上设计一种分包准则,将共邻节点划分为关联共邻节点和独立共邻节点,然后分别对HNB和TAN做分包改进,提出基于分包的混合朴素贝叶斯模型。在平均共邻节点数高的FWFW网络上,分包后HNB和TAN模型与原模型相比AUC值分别提升12%和11.6%。实验结果表明,所提方法能有效提升链路预测性能,并且具有良好的鲁棒性。     

基于改进半监督朴素贝叶斯的LPI雷达信号识别

针对先验信息残缺的非合作电子对抗背景下的低截获概率雷达信号识别问题,提出一种基于改进的半监督朴素贝叶斯的识别算法。该算法首先提取出4种低截获概率(low probability of intercept,LPI)雷达信号的双谱对角切片作为识别特征;针对传统的半监督朴素贝叶斯(semi-supervised Naive Bayes,SNB)在更新训练样本集过程中会产生迭代错误的不足,利用改进的SNB(Revised SNB, RSNB)算法构建分类器,完成对测试样本的识别。该方法通过在无标记样本集生成的置信度列表中选取置信度较高的样本添加到有标记样本集中,再利用预测后的分类结果对分类器参数(即特征期望向量m i和方差向量σ i)进行改进,有效解决了传统算法分类精度低且分类性能不稳定等缺点。理论分析和仿真结果表明,在LPI雷达信号识别问题,相比于SNB算法和传统的主成分分析加支持向量机法(principal component analysis-support vector machine, PCA-SVM),该算法具有更高的分类识别率和更好的分类性能。     

侦察信息融合处理仿真系统的设计与实现

介绍了一种侦察信息融合处理仿真系统的设计和实现方法，该系统由战场剧情仿真系统、数据融合处理系统和数据库系统构成。其中数据融合处理系统是整个系统的关键部分，由基于jerk模型的机动目标融合跟踪模块、基于模糊推理的目标识别模块以及态势感知模块组成。系统模拟了主动雷达，被动雷达，敌我识别器，通信侦察设备等多种传感器对海空战场态势进行综合感知的信息处理流程，构建了侦察信息融合处理仿真系统，并对一个典型的战场场景进行了仿真实验。     

决策层时空信息融合的神经网络模型研究

融合目标识别可以获得比任意单传感器更加准确的目标识别结果。决策层融合由于其在信息处理方面具有很高的灵活性,成为信息融合研究的一个热点。针对传统融合算法环境适应性较差的缺点,提出了一种决策层时空信息序贯融合的神经网络模型,讨论了利用各传感器所处环境和专家知识等先验信息确定网络初始权值的方法,研究了网络权值的在线学习算法。仿真实验证明该网络模型的有效性。     

异类传感器多目标检测跟踪与识别随机集模型

为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究。通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态。通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量。根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架。通过仿真试验验证了理论模型与框架的有效性。     

一种基于电子侦察和光学成像侦察的目标综合识别算法

利用电子支援措施(electronicsupportmeasure,ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。提出了一种基于模糊集理论和D S证据理论的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。     

融合位置和姿态信息的模型概率估计

为了利用目标的姿态信息来提高机动目标跟踪的精度,提出一种融合位置和姿态信息的模型概率估计算法。该算法采用模糊关联的方法,实现了基于姿态信息的模型概率估计;根据离散点过程滤波的基本理论,对其进行滤波;采用贝叶斯推理方法,对来自姿态的模型概率和来自位置的模型概率进行了信息融合,并将融合后的模型概率应用到IMM算法。仿真表明,改进的IMM在保持传统IMM实时性的基础上提高了跟踪精度,从而验证了姿态信息对目标跟踪的辅助作用。     

基于改进时域证据融合的目标识别

为了实现防空反导目标识别,根据证据折扣理论和证据可靠性评估的思想,提出了一种改进的时域证据组合方法。首先,提出了具有时域信息累积的信息融合模型;然后,通过基于信任度和虚假度的方法对累积的时域信息进行预处理,用可信度衰减模型和基于Einstein算子改进的冲突因子分别进行实时可靠性和相对可靠性评估;最后,基于Dempster准则和证据折扣准则对证据进行合成。仿真分析表明,该方法能够充分利用历史信息,体现了时域信息融合的动态性,能够有效处理信息冲突,具有较强的抗干扰能力。     

基于多传感器信息融合的目标识别

在多传感器 (雷达和红外 )信息融合的目标识别中 ,不仅需要对点目标进行识别 ,而且也需要对面目标进行识别。由于传感器提供点目标和面目标的信息特征和信息量不同 ,致使信息融合的方法也不相同。针对这种情况 ,提出用基于智能规则推理的方法来进行点目标识别 ,用多传感器构成的联合特征向量的方法来进行面目标识别。仿真实验表明 ,采用这种方法能有效地提高目标识别的准确度     

基于隐马尔可夫模型的OTH雷达模式识别和目标定位

针对超视距雷达目标探测中的多模传播问题,提出了基于隐马尔可夫模型的Viterbi算法,以传播模式为状态序列,以斜距为观测序列对每一次雷达重访下的每个回波进行模式识别,并在此基础上提出了利用Bayes线性模型的方法对每次雷达重访下的目标位置进行估计.通过蒙特·卡洛模拟,结果表明该方法在不同的雷达操作频率和电离层存在扰动的情况下都具有具有很高的正确性.     

极小子样下无人侦察机系统效能评估多层Bayes-ADC模型

针对研发阶段无人侦察机系统效能评估受到研发试验成本、样机数量等相关条件制约,其所能获取的样本量极少问题,提出多层Bayes-ADC模型.该方法运用多层Bayes技术,充分利用历史统计数据和经验信息,确定无人侦察机失效率、修复率多层Bayes估计,进而构造无人侦察机可用度、可信度.同时基于极大熵准则确定能力指标权重,进而构造无人侦察机能力向量.基于以上建立了极小子样背景的系统效能评估多层Bayes-ADC模型,解决了极小子样下的无人侦察机系统效能评估问题.案例分析验证了模型的有效性.