采用数学建模方法对通用分组无线业务网络的性能分析

建立了一个二维连续时间的马尔可夫链模型，描述了通用分组无线业务(GPRS)和语音业务在一定的动态信道分配方案下对有限信道资源的共享。采用一种近似求解方法求得上述马尔可夫链的稳态解，通过数值计算可以估计出GSM／GPRS网络的一些主要性能，如呼叫阻塞率、数据平均传输速率、信道利用率等。计算结果表明，该模型对于估计网络性能是有效的，对于网络优化也具有一定的辅助作用。     

无线传感器网络中的S—MAC协议性能

为了研究无线传感器网络中S(Sensor)-MAC的协议性能以及协议参数的变化对协议性能的影响,提出了基于马尔可夫链的分析模型.根据S-MAC协议中的退避机制建立了一维马尔可夫链,以研究网络中单个节点的行为;根据协议的周期特性研究了整个网络的行为,从而计算协议在不同占空比下的能耗、吞吐量和时廷.仿真结果表明:分析模型能够准确地评估S-MAC协议的各项性能,定量分析能耗和其他性能之间存在的权衡问题,并为如何选取合适的协议参数提供了理论依据.     

马尔可夫网络排队模型在电梯配置中的应用

利用马尔可夫网络排队理论建立了电梯交通模型，在此基础上对各服务站的电梯配置交通进行计算，得到电梯的配置参数。通过与传统的电梯配置方法相比较，显示出明显的优越性，也表明了利用马尔可夫网络排队模型进行电梯配置的有效性和可行性。     

随机进程代数IMCs的性能评价

将马尔可夫路径概率计算方法推广到随机进程代数:交互式马尔科夫链(IMCs)模型上.由于IMCs中存在动作转移和概率转移,两种不同性质的转移破坏了系统的稳定性,因此在IMCs的性能刻画中,去掉系统的稳态性刻画,给出动作和概率转移共存的IMCs模型的路径定义和基于概率转移率的路径转移发生的概率计算方法,解决了Until算子的描述.使用基于动作的逻辑aCSL给出IMCs的性能评价.证明该方法的正确性,它是纯马尔可夫链模型中性能评价方法的扩展.     

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.     

基于马尔可夫网络排队论的电梯交通建模及应用

为优化电梯配置，分析了电梯交通流．利用马尔可夫网络排队论对电梯交通流建模，并求解该模型，然后将求解结果应用到电梯配置中，通过实例与传统的电梯配置作比较．根据两种配置结果，分别求得并分析了相应的性能指标．结果表明，基于新模型的电梯配置可有效降低乘客平均候梯时间和电梯平均载荷，从而证明了利用马尔可夫网络排队论建立电梯交通模型的可行性和优越性．     

基于OpenCL的隐马尔可夫模型的GPU并行实现

隐马尔可夫模型(HMM)是建立在马尔可夫链的基础上的统计模型.虽然隐马尔可夫模型是一种计算高效的机器学习模型,但是当处理的数据集规模过于庞大时,分析的时间太长.因此,我们有必要研究隐马尔可夫模型的并行化设计,以提高模型的运算速度.近年来,开放计算语言(OpenCL)的出现,使得设计通用的并行程序成为可能.该文,我们分析了隐马尔可夫模型三类算法的并行特性,并设计基于OpenCL的并行实现.实验结果表明,隐马尔可夫模型在GPU上的并行化实现最高获得了640倍的加速比.     

基于改进的隐马尔可夫模型的网页预取

为提高基于隐马尔可夫模型(HMM:Hidden Markov Model)的网页预取精度,对经典隐马尔可夫模型的两个前提假设进行了扩展,推导出新模型中计算观测序列概率的公式.由此构建出可用于网页预取的高阶隐马尔可夫模型,同时为降低高阶隐马尔可夫模型的空间复杂度,给出了构建树状状态空间存储访问序列的算法.介绍了将改进的隐马尔可夫模型应用于网页预取的具体方法,通过对比实验证实该方法的预取准确度提高了7%.     

FSMC无线通信应用综述

有限状态马尔可夫信道模型(FSMC)在无线通信领域有着十分重要的应用。在许多衰落情况下的信道建模都用到该模型。该模型是基于无后效性的随机过程,马尔可夫过程建立的。在满足马尔可夫性质的条件下,若将接收SNR按与有限个信道状态相应的间隔离散化,则得到有限状态马尔可夫信道模型(FSMC)。总结了到目前为止的科研成果,从对FSMC模型的简介和建立开始,而后给出FSMC的相关表征参数的分析计算方法。还重点介绍了该模型在通信领域的应用,包括无线通信建模和具体到瑞利信道时FSMC的建立和评价。     

灰色马尔可夫模型的改进及农业受灾面积预测应用

针对传统的GM(1,1)模型对波动性较大的数据预测精度较低的问题,进行了2次改进并分别与马尔可夫链预测相结合建立了灰色马尔可夫模型.将各模型应用于江西农业受灾面积预测,结果表明,改进的灰色模型和灰色马尔可夫模型拟合精度较传统方法均有明显提高,验证了改进的灰色马尔可夫模型的有效性.     

一类隐非齐次马尔可夫模型的强极限定理

在假定隐藏的马氏链为非齐次且从隐藏链到观测链的转移矩阵列也与时刻n有关的情况下,对一类在发音过程中常用的隐马尔可夫模型进行研究.这类模型的主要特点是观测链不仅受当前状态的影响还与上一时刻的状态有关.先给出了该模型的强极限定律,然后得出了状态出现频率的强极根定理.     

用Hopfield神经网络求解一类Markov链的客户关系管理模型

以客户关系管理(custom er re lationsh ip m anage-m en t,CRM)的数学模型为背景,研究了如何用Hop fie ld神经网络构建一类M arkov链表述的CRM的客户分类分析和评价的计算模型。从一种不同于现CRM的对客户关系评价的思路入手,用M arkov链建模。分析该类马氏链建立的CRM数学模型的特点(无限次交易),分析连续Hop fie ld神经网络计算的内在特点。从矩阵结构和求逆的角度,发现这两个不同概念模型的数学模型具有相同的特点。研究结果将该类马氏链的CRM模型计算同Hop fie ld神经网络计算关联起来。这表明可以用连续Hop fie ld神经网络计算该类M arkov链的CRM模型。     

基于Markov网络团的信息检索扩展模型

全局分析方法是一种常用而能有效改善信息检索效果的查询扩展方法。通过计算词间相似度构造M arkov网络模型;然后由此模型加强候选词集中的词相关性描述,并提取了在Markov网络中词间的团结构;通过在查询中加入查询词所在团中的其他候选词进行查询扩展。实验表明基于Markov网络团的信息检索模型的检索效果优于基于一般的相似性矩阵查询扩展的检索效果;基于团提取方法的查询扩展的检索效果优于普通的基于提取方法的查询扩展检索效果。     

基于集中分配／随机争用的接入控制对APON接入系统容量的改善

基于ATM的无源光网络（APON）已成为宽带接重要方式,在ITU－TG．983规范的基础上,将随机接入协议应用到接入系统中,提出了基于集中分配／随机争用的混合接入方式,并利用马尔可夫链描述了系统的动态特性,求解出系统稳态时的概率密度函数分布,数值计算结果表明,混合接入方式能很好地改善系统特性。     

稀疏网络编码中秩分布分析模型研究

针对现有稀疏网络编码研究中线性相关概率性能指标精准度较低的问题,提出基于马尔可夫链的性能分析模型。对线性相关概率、秩的概率分布等性能指标及其复杂度进行分析,并通过该性能分析模型分析编码包传输后期的译码成功概率;基于吸收马尔可夫链计算编码包传输过程中的瞬态、吸收态以及各状态间的状态转移概率,并对状态转移概率中蒙特卡罗模拟误差较大的问题进行改进,由状态转移概率构建吸收马尔可夫链基本矩阵,得出信宿端收到非再生包的线性相关概率,进而推导出秩的概率分布和译码成功概率性能指标。仿真结果表明,在相同条件下所提模型性能指标精确度均优于对比模型,且能精确地评估信宿端解码矩阵秩的概率分布、译码成功概率等稀疏网络编码的译码行为。     

马尔可夫链在爆破网路分析中的应用

将爆破网路中常见的一些典型形式化归成马尔可夫链的模型,给出了这些马尔可夫链的转移概率矩阵,并将跨越式网路化归成一种“推广的马尔可夫链”,对这种推广的马尔可夫链的任意ｍ步转移概率和ｍ步全转移概率提出了简炼的矩阵算法。     

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。     

OMECNN:一种基于有序马尔可夫枚举器和判别神经网络的口令生成模型

基于口令的身份鉴别是目前最流行的鉴别方式之一,利用口令生成技术进行大规模口令集的生成,进而检测现有用户口令保护机制的缺陷、评估口令猜测算法效率等,是研究口令安全性的重要手段.本文提出一种基于有序马尔可夫枚举器和判别神经网络的口令生成模型OMECNN,使用有序马尔可夫口令枚举器按照口令组合概率的高低生成组合口令,同时基于判别神经网络进行打分筛选口令,选出得分高于阈值的口令组成最终口令集.采用本文提出方法生成的口令集具有按照口令组合概率高低排序的特点,以及符合真实训练口令集的口令分布的特点.实验结果表明,在生成10~7条口令时,OMECNN模型生成的口令集在Rockyou测试集上的匹配条目比OMEN模型高出16.60%,比PassGAN模型高出220.02%.     

基于马尔科夫链模型的网络链路权重评价方法

网络链路权重评价是网络运维管理的重要依据?将马尔科夫链的转移概率引入到网络链路权重评价中,从概率的角度来衡量相邻节点的可达性;充分考虑链路?节点的故障性,将网络中任意两相邻节点的通信过程近似为马尔科夫过程,基于此,提出了基于马尔科夫链模型的网络链路权重评价方法?根据网络的关联矩阵得到1步概率转移矩阵,进而求得网络的多步马尔科夫转移概率矩阵,直至所有节点概率可达,通过累加相邻节点间概率来衡量链路可达性?通过算例分别分析了串联网络?桥式网络和复杂网络的链路权重评价问题?分析表明,该方法不仅能准确评价网络链路的权重,而且还解决了删边或缩边方法难以分析串联网络的问题,具有计算量小?易编程实现的特点?