变结构离散动态贝叶斯网络参数的自适应产生

变结构离散动态贝叶斯网络及其推理算法解决了对突变过程的建模和定性推理问题,但是环境突变是随时发生而且无法预计,由此网络结构发生变化后,网络参数必须自适应产生.针对此问题,依据贝叶斯网络的原理,定义了相关节点和最偏好状态的概念,提出了变结构离散动态贝叶斯网络参数的自适应产生算法,并将此算法应用于解决飞行器突发威胁情况下的航路选择问题,取得了满意的结果,验证了所提出的变结构离散动态呗叶斯网络参数的自适应产生算法是可行的,有望解决变结构离散动态贝叶斯网络参数的自适应产生问题.     

Multi-commodity Flow Supply Chain Network Equilibrium Model with Stochastic Choice

This article studies a three-tier competitive supply chain network equilibrium model with multi-commodity, where the production districts and brands are different. Stochastic utility theory and multinomial logit model are used to analyze consumer choice at demand market, while the influence of production districts and brands on consumer choice is stochastic. Competitive behavior of manufacturers and retailers is analyzed using the Nash equilibrium theory. The equilibrium models of each tier and the whole network are developed by the variational inequality method, along with their equilibrium conditions and economic interpretations. Finally, an algorithm is provided and used to solve a numerical example.     

基于无容量限制的p-枢纽中位问题的随机优化

在枢纽网络设计时, 未来的成本和需求等参数具有不确定性. 为了使设计的网络能在各种情景下具有最优的期望成本, 提出了无容量限制的多分配严格p-枢纽中位随机优化模型. 考虑到模型本身的结构特点和复杂程度, 采用了PH分解算法结合增广拉格朗日松弛算法, 将原问题转化为若干个独立子问题来求解. 使用了基于经典算例的随机数据集合对模型和算法进行了测试, 算例结果表明尤其在情景数量较大的情况下, 算法体现出较高的效率. 同时, 通过随机解价值分析了使用随机优化模型对于该算例的意义.     

产品随机选择下多商品流供应链网络均衡模型研究

研究产品存在产地、品牌差异情况下,具有多种商品流动的三层供应链网络均衡模型.将产地、品牌差异的影响视为随机变量,运用随机效用理论和多项式logit模型研究需求市场上产品随机选择问题,运用Nash均衡方法分析生产商之间、零售商之间的竞争行为,分别得到了供应链网络各层均衡及整体均衡的条件、经济解释和变分不等式模型,最后给出了求解算法和具体算例.     

基于多尺度贝叶斯网络的SAR图像分割

提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达（synthetic aperture radar, SAR）图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播（belief propagation, BP）算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率（maximum a posteriori probability, MAP）,实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。     

态势评估的变结构区间概率动态贝叶斯网络方法

针对以往利用贝叶斯网络进行势评估时,贝叶斯网络结构和参数都是固定不变的不足,为提高态势评估准确性,提出一种变结构区间概率动态贝叶斯网络（variable structure interval probability dynamic Bayesian network, VSIP DBN）进行态势评估的方法。给出了VSIP DBN的定义,推导了其推理的算法,网络结构能够根据态势变化情况进行改变,并给出了结构变化的判断依据,将参数推广为区间概率的形式,同时提出了区间概率参数的学习方法。将VSIP DBN应用于态势评估,在典型作战条件下进行仿真分析,不需要精确给出网络参数,即使出现偶然观测误差,也能够准确地评估出当前空战态势,提高了评估的灵活性。     

基于故障树的复杂装备模糊贝叶斯网络推理故障诊断

复杂装备的小批量、个性化定制属性, 注定了其生命周期过程中存在着相对较多的不确定性, 故障隐患必不可免, 故障诊断尤为重要。因此,提出基于故障树的复杂装备模糊贝叶斯网络推理故障诊断模型。首先, 通过分析复杂装备的结构组成, 建立复杂装备的故障树模型。其次, 利用故障树转化法, 构建基于故障树的贝叶斯网络拓扑结构。然后, 针对复杂装备结构数据缺乏和专家打分的不确定性, 通过模糊集合论方法确定条件概率等参数。最后, 进行案例研究, 利用模糊贝叶斯网络推理中的因果推理和诊断推理, 诊断出案例中的故障(潜在故障)节点, 证明了所提方法的有效性。研究成果不仅解决了贝叶斯网络中利用搜索函数构建最优网络不符合实际的问题, 也通过模糊集合论解决了复杂装备数据缺乏和专家打分不确定性的不足。所提模型不仅适应于过程诊断中故障的确定, 同时也适用于事前诊断中潜在风险的识别, 而且对于故障(或潜在故障)节点的改善效果还能起到检测评估的作用。     

众筹项目的个性化推荐:面向稀疏数据的二分图模型

二分图模型是一种全局优化算法,本文将二分图模型应用于直接推荐众筹项目,使用PersonalRank算法迭代计算网络节点的全局关联度,从而推荐那些基于余弦相似度的协同过滤不能有效推荐的项目,适用性更加广泛.更进一步,提出将二分图模型与协同过滤算法相结合,首先把网络结构划分为二分图,采用二分图算法得到的两类节点(用户节点,项目节点)之间的全局相似度,再结合协同过滤算法,得到基于二分图模型的协同过滤算法.实验表明,在众筹项目推荐中,由于数据极端稀疏,适宜采用二分图模型来进行相似度计算并进行推荐.     

基于端到端链路利用的网络拓扑发现算法研究

网络拓扑对于网络管理和推测网络内部性能具有重要意义。在分析现有算法局限性的基础上,提出了一种基于端到端测量的网络拓扑发现方法,该方法通过比较链路利用的hamming距离推测网络拓扑,特点是不需要网络内部节点的协助。通过理论比较和分析,证明该方法在推测精度上比现有的方法有显著的提高,最后利用仿真试验验证了该方法的有效性和准确性。     

弹性需求用户平衡分配模型及其应用

对具有弹性需求的交通网络随机用户平衡分配问题进行了分析研究,将其描述为一个等价的变分不等式。最后将模型应用于拥护公交网络系统的平衡分配问题,并针对公交网络系统的特殊性,提出相应的求解算法 法。实例表明了模型的合理性和算法的有效性。     

变结构离散动态贝叶斯网络及其推理算法

目前的动态贝叶斯网络的研究,是定义在每一个时间片的静态贝叶斯网络结构和参数都一致的基础上,对于过程突变,参数变化等情况就难以适应.为了解决这个问题,提出变结构离散动态贝叶斯网络的概念,并根据概率和动态贝叶斯网络的理论,推导出变结构离散动态贝叶斯网络的推理方法,对算法进行了验证并结合环境变化时的路径选择问题,进行了计算仿真.计算和仿真结果证明了文章提出的变结构离散动态贝叶斯网络的概念和推理算法的正确性.     

遗传算法在模糊系统优化设计中的应用研究

在模糊系统的变节点自适应模糊神经网络实现的基础上,提出一种混合GA优化算法。该算法采用混合编码策略,利用GA对模糊规则和隶属函数同时优化,而对结论参数则用最小二乘法估计。算法综合了GA强大空间搜索能力和传统优化方法的快速收敛和高精度的优点,在保证全局优化能力的条件下,综合考虑了模糊控制器的复杂程度、训练速度和控制精度。仿真结果及应用表明了该算法的有效性。     

后悔视角下的多用户多准则随机用户均衡模型

在多用户多准则的交通网络中,假设出行者的出行时间价值是异质的,服从某一连续分布函数,且考虑出行者的后悔厌恶水平,建立了基于后悔理论的logit形式的随机用户均衡模型.然后,给出了与该模型等价的变分不等式问题,并使用相继平均法求解.最后用一个算例来说明所构建模型的合理性和所提出算法的可行性.算例结果表明,后悔厌恶水平确实影响出行者的路径选择行为,并且随着后悔厌恶水平的增加,高出行时间价值的出行者选择路径的变化幅度先大后小,相反低出行时间价值的出行者选择路径的变化幅度先小后大.     

分布式被动传感器网异步采样下的机动目标跟踪

针对分布式被动传感器网的特点，提出了一种异步采样条件下机动目标跟踪方法。该方法采用交互式多模型概率数据互联滤波器跟踪机动目标。为启动滤波器，采用最大似然法估计目标初始状态；为适应异步观测条件，提出了马尔可夫转移概率计算方法。仿真实验表明，在分布式被动传感器网中采用该算法能有效进行机动目标跟踪。     

基于变分推断的一般噪声自适应卡尔曼滤波

线性高斯状态空间模型中假设噪声为已知的白噪声过于苛刻。认为过程噪声与观测噪声均未知且二者的解析关系确定,假设观测噪声的均值非零且服从高斯分布,方差服从逆威沙特分布,从而构成了层次式贝叶斯模型。利用变分推断将均值与方差和系统状态一起作为随机变量进行迭代估计,在得到观测噪声的均值与方差的估计值后,利用其与过程噪声的关系进一步更新未知过程噪声的均值与方差,从而动态地得到每一时刻过程噪声与观测噪声的一、二阶统计矩信息,即使在噪声统计信息动态变化的情况下也有较满意的滤波精度。实验证明了该算法的有效性。     

Multiple vehicle signals separation based on particle filtering in wireless sensor network

A novel statistical method based on particle filtering is presented for multiple vehicle acoustic signals separation problem in wireless sensor network. The particle filtering method is able to deal with non-Gaussian and nonlinear models and non-stationary sources. Using some instantaneously mixed observations of several real-world vehicle acoustic signals, the proposed statistical method is compared with a conventional non-stationary Blind Source Separation algorithm and attractive simulation results are achieved. Moreover, considering the natural convenience to transmit particles between sensor nodes, the algorithm based on particle filtering is believed to have potential to enable the task of multiple vehicles recognition collaboratively performed by sensor nodes in distributed wireless sensor network.     

单播与多速率组播共存网络中的公平资源分配

以最大化网络用户效用值为目标,考虑组播接收者的异构性,将单播和组播任务纳入统一的凸规划模型研究,并应用惩罚函数法推导出一种启发式速率控制算法。该算法在IP网络中分布式实现时,路由器使用RED算法标记报文,反馈拥塞信息;用户端提取拥塞信息计算最优速率,并作相应更新。通过选择合适的算法参数及效用函数,单播与组播将依据比例公平性准则共享网络资源。仿真结果验证了该算法的有效性。另外,还分析了多速率组播分层实现时,不同的带宽离散化密度对资源分配公平性的影响。     

含目的地选择的城市交通网络非稳定均衡分析

为了完善现有的城市交通流均衡分配理论,研究了城市交通网络中的非稳定均衡状态。利用添加虚拟节点和虚拟路段的超级网络建模方法,将出行者的出行与否决策、目的地选择决策以及出行路径选取决策归入一个抽象的网络中进行研究,利用变分不等式理论将网络的非稳定均衡问题转化为易于处理的一般交通流分配问题。研究结果表明:只有结合出行者的出行与否决策与目的地选择决策,才能使交通流分配的结果更符合现实;网络非稳定均衡状态确实存在,出行者出行与否的最高费用标准越高,实际的网络出行流越大。     

基于k近邻平均距离的异步航迹关联算法

针对异步不等速率下局部节点航迹关联复杂问题, 提出了基于k近邻平均距离的异步航迹直接关联算法。首先, 给出不等长航迹序列间的k近邻平均距离计算规则, 进而计算得到不等长航迹序列间的灰色关联度, 再利用经典分配法进行航迹关联判定。算法无需时间同步, 避免估值误差传播积累。仿真数据表明, 算法正确关联率高、耗时较短、局部节点采样周期和开机时机不一致等异步因素对算法影响不明显, 并且算法不受噪声分布形式和目标数目变化的影响。     

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法，算法由三部分组成：基于模糊聚类的网络初始化；基于梯度下降的规则前件的学习算法；基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满意的效果。