小数据集条件下基于不确定先验的BN参数学习

针对以往基于约束的贝叶斯网络（Bayesian networks,BN）参数学习方法在处理先验知识时未考虑知识的不确定性这一缺陷,本文为专家知识附加一个表示不确定性的概率。对所有约束,根据其存在与否生成一个组合,计算该组合的概率,并采用凸优化方法计算该组合条件下的参数估计结果。同时,为加速问题求解,将每个具体的凸优化问题分解为一系列可并行求解的子问题。在得到所有约束组合下的参数之后,依照概率加权思想得到参数估计的最终结果。最后,通过空地战场威胁态势评估模型,证明在参数学习过程中考虑知识的不确定性可有效改善先验知识错误时的BN参数学习效果。     

广义隐马尔可夫模型的快速前向后向算法

动态贝叶斯网络是解决非线性动态系统不确定性推理问题的一个重要工具。通过对改进前向后向算法计算方式的改变,提出了一种快速前向后向算法。不仅从理论上推导了快速前向算法、快速后向算法,并且将这两种算法结合推导出快速前向后向算法。由复杂度分析可知,提出算法的复杂度较低,仿真实验验证了快速推理算法的正确性和推理的高效性。