动态贝叶斯网精确推理中联合树算法的改进

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定推理的执行效率;文章在分析联合树性质的基础上提出一种较简单的3/2片联合树算法,该算法不需要限制消去顺序且只作一次扩展;讨论了算法的复杂度,并作了试验比较。     

在非时齐马氏决策过程中的动态贝叶斯网络研究

提出了用动态贝叶斯网络（DBN）对非时齐马氏决策系统进行建模的改进方法，使动态贝叶斯网络能被更广泛地应用于各种复杂的真实系统中．该方法的基本思路是，将扩展后的隐藏变量引入DBN的演化过程来建立假设条件所要求的马尔可夫模型，给出从不完整的样本数据集以及存在隐藏变量时来学习DBN结构的算法，进而用贝叶斯概率统计方法对后来的时间片的充分统计因子进行估计，并通过当前已存在的和估计的充分统计因子对基于时间变化的转移概率进行学习，以解决假设条件要求的转移概率的时不变性．原理性分析和仿真实验结果也验证了改进方法的有效性．     

一种基于动态贝叶斯模型的大型IP网络故障诊断方法

为了提高IP业务的服务质量,利用告警等症状和已有知识快速准确地定位根故障十分重要。基于贝叶斯网络的不确定推理方法是近年来广泛应用的一种故障诊断方法。目前,基于静态贝叶斯网络的故障定位只是利用当前信息进行故障诊断,无法处理时间信息;而已有基于动态贝叶斯网络的诊断算法复杂度太高,不适用于大型网络。本文针对大型IP网络,建立用于故障诊断的动态贝叶斯模型,并对基于动态贝叶斯网络的一种通用的精确算法进行改进,实验证明它能够对大型IP网络快速准确的定位故障。本文方法充分利用告警库中的历史数据和当前症状信息,对当前的系统状态进行估计,完成故障诊断。     

一种基于小数据集的贝叶斯网络学习方法

 贝叶斯网络是用来表示不确定变量集合联合分布的图形模型,反映了变量间潜在的依赖关系.从完备数据集和不完备数据集上学习贝叶斯网络是研究的热点之一,要求有大数据集.针对实际应用中常常只能获得小样本数据,提出了基于Bootstrap抽样的网络结构学习的遗传算法,实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性.     

基于半定性贝叶斯网络的建模方法研究

在定性贝叶斯网络的基础上,提出一种既包含定性符号信息,又包含概率分布定量信息的半定性贝叶斯网络,用以集成多个专家的知识和经验,通过一个与专家反复交互的过程,构建出相关问题领域的稳定的贝叶斯网络模型。提出利用区间数来统一表达多个专家的定性或定量的判断意见,给出了在半定性贝叶斯网络中进行概率推理的区间数传播算法,并通过算例验证其有效性。     

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.     

离散雅可比多项式序列预报控制理论与算法

本文提出一种用于微机加工误差实时预报控制的新方法;构造了离散雅可比多项式序列的计算通式及其递推格式;证明了其离散正交性;开发了用于微机在线预报与控制的递推公式及算法.本文所提出的理论与算法对加工误差的实时补偿控制是适用有效的.     

贝叶斯网络推理分析的团树传播算法——以停车行为分析为例

介绍了贝叶斯网络的基本概念及其推理模式和推理算法,重点进行了团树传播算法研究,应用Matlab软件的jtree_inf_engine模块实现了团树传播算法编程,并以停车行为分析的贝叶斯网络为例进行了预测、诊断、原因关联和混合4种推理分析,根据推理结果总结了城市居民的停车决策行为特征。研究结果表明,团树传播算法可用于贝叶斯网络未知参数的推理和变量间的关系学习。     

用动态Bayesian网络建立宏观经济系统模型

针对限制动态 Bayesian网络方法应用的 Markov假设和转移概率时不变假设 ,研究了如何利用部分观测信息建立宏观经济系统的 Markov模型以及如何建立转移概率具有时变特性的宏观经济系统模型。对不满足 Markov假设的演化过程 ,通过在模型中添加隐藏变量建立 Markov模型 ,并对 EM- EA算法进行扩展 ,使之用于带隐藏变量的动态 Bayesian网络的学习。对不满足时不变性的转移概率 ,应用多项式拟合方法直接从数据构造时变转移概率模型。理论分析表明了论文方法的正确性和可行性     

管道腐蚀泄漏火灾的贝叶斯网络推理模型研究

为了研究长输管道腐蚀泄漏及蒸气云爆炸事故的演化规律,通过对埋地管道内(外)壁腐蚀失效、燃气泄漏、气体云团扩散及蒸气云爆炸等4阶段事件进行分析,构建埋地管线腐蚀泄漏火灾的贝叶斯网络模型。研究网络结构中节点变量的取值范围及离散化方法,并基于对事故统计和专家分析判断,设定节点变量的先验概率,量化节点关联的条件概率分布。在对贝叶斯网络推理策略研究的基础上,考察节点变量对推理结果的敏感性,验证模型的合理性。结果表明,长输管道腐蚀泄漏及次生灾害事件过程具有较大的不确定性,主要体现在中间事件均具有多种状态,事故演化路径概率受模型输入条件影响较大。贝叶斯网络方法用于描述事故过程中间节点事件间的依赖关系有较大的优势,可以定量衡量事故风险的不确定性。     

基于Bayes网络的航空图象理解模型

提出一种基于Bayes网络的图象理解模型,用于检测与描述城市航空图象中的停车场、空地、房屋等二维和三维目标.模型首先使用一种基于感知组织的算法生成焦点区域,然后使用Bayes网络建立焦点区域的图象特征与目标之间的(不确定性)联系,由Bayes网络推理机制完成对焦点区域的识别.对于屋顶区域,模型使用一种基于DEM(digitalelevationmap)方向直方图的匹配算法进行模板匹配,生成房屋的三维几何模型描述.模型中所有Bayes网络组成层次结构,可以方便地增加被识别目标的种类;图象特征与提取图象特性的算法之间由一种称为证据源的数据结构相连接,可以方便地扩充图象特征的提取算法.由此实现了模型的易扩展性.实验结果表明了本文模型的有效性.     

贝叶斯网络VE推理算法的并行化研究

贝叶斯网络是一种强有力的不确定性推理和数据分析工具.网络推理是贝叶斯网络的重要内容之一.VE算法是利用联合分布的分解来简化推理的贝叶斯网推理算法.提出一种基于最小缺边搜索算法的消元顺序(PL_OE)算法,使VE算法可并行执行,降低了贝叶斯网推理的时间复杂性.     

DFT(2~m)和DCT(2~m)的递归快速新算法

本文提出一种计算DCT(2~m)的递归快速新算法,该算法比Lee算法计算误差小,比Vettreli等人的FFCT算法的结构简单,同时具有和上述算法相同的计算复杂性。文中同时导出DFT和DCT之间的关系。基于DCT的快速新算法,DFT的递归快速新算法具有和FFCT和SR—FFT同样的计算复杂性,但具有更好的递归结构。     

改进的EM算法及其在防洪决策中应用

在给定贝叶斯网络结构情况下,利用EM算法及改进的EM算法对防洪决策贝叶斯网络进行参数学习,改进的EM算法通过定义祖先集及计算该祖先集中变量的条件概率,降低期望计算的计算量．应用两种算法对防洪决策贝叶斯网络进行了性能比较,结果表明,改进的EM算法用于贝叶斯网络参数学习和决策支持具有较高的计算速度和精确度．     

MP3解码的优化及实现

目前MP3技术已经非常成熟,现阶段对于MP3的研究热点是对原始MP3标准在实现过程中的优化以及如何在低成本低功耗的平台上实现MP3.在整个MP3编解码流程中,IMDCT是运算量最大最耗时的部分之一,因此文章提出了一种基于IMCT递归循环实现方法的优化算法.该算法是在已有文献递归算法的基础上进行了改进,并结合硬件系统结构...     

基于离散小波变换的动态过程模型参数辨识的Markov方法

提出一种新的Ｍａｒｋｏｖ递推算法，该算法主要是基于过程噪声的离散小波变换的协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子具有特殊稀疏带状结构的事实，利用模型输出误差的小波变换在线估计出其协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子Ｌｃｗ，进而利用Ｌｅｗ对数据进行白色化处理。数值仿真验证了所提算法是可行的。     

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.     

混合非参数回归的贝叶斯推断

针对混合非参数回归问题, 给出了一种基于贝叶斯框架的推断方法. 在该方法中对每一个非参数混合成分用一个随机过程的有限维分布族作为先验, 同时分别构造混合比例、随机误差的方差和非参数混合成分的贝叶斯估计, 并通过马尔科夫链蒙特卡洛(Markov chain Monte Carlo, MCMC) 法抽样来进行后验推断. 数值模拟分别从样本量、回归曲线的相对位置和多分类情况 3 个角度进行. 模拟结果表明, 相较于全局期望最大化(global expectation maximalization)算法, 混合非参数回归的贝叶斯推断方法能够有效利用先验信息来提高模型的拟合和预测能力. 最后将混合非参数回归的贝叶斯推断方法应用于蚜虫与受感染烟草植物的实验, 同时解决了数据的聚类与回归拟合问题, 其有效性和适用性得证.     

含隐变量和选择偏差的图模型中的因果推断

Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。