基于贝叶斯优化构建DBN结构优化算法

针对动态贝叶斯网络(DBN)结构学习问题,提出了一种基于贝叶斯优化(BOA)的DBN结构寻优算法。首先,从传统进化优化机制的基本理论和基本操作入手,刻划了基于概率模型进化算法的基本思想。其次,通过描述基于概率模型进化算法的构图基础,引出了DBN结构学习机制,即基于BOA的DBN结构寻优算法。BOA算法的关键是根据优良解集学习得到DBN,以及根据DBN推理生成新个体,前者更为重要,依据基于贪婪机理的遗传算法解决动态网络学习,再应用DBN前向模拟完成后一步。仿真结果表明了该算法的可行性。     

DBN结构学习度量分解性能分析

针对动态贝叶斯网络(DBN)结构学习中涉及的度量分解问题,提出了DBN度量分解后的相关性能。首先,细化了DBN的贝叶斯信息度量(BIC)及贝叶斯-狄里克莱(BD)度量公式,通过表达式的分析,讨论了分解后的相关性质,进而提出了由分解公式提供给DBN结构学习的相关性能。其次,通过设计的性能分析仿真实验,验证了提出的若干设想,即将BN结构学习算法移植到DBN结构学习的可行性及分解降低算法复杂度等问题,并提出了寻找DBN快速结构学习算法的有效思路。     

基于MPI的主从式并行MCMC

马尔可夫链蒙特卡洛(MCMC)是贝叶斯网络(BN)的一种近似推理算法,为保证其时间性能,在生成马尔可夫链的组成序列时,通常只使用较少的样本,其推理精度较低.以Gibbs抽样为基本框架,提出一种BN的并行MCMC推理方法PMCMC,在生成马尔可夫链的组成序列时,通过增加对BN中每个节点的抽样频率来提高推理精度,并在消息传递接口MPJ的支持下,利用主从式并行机制来实现其推理过程,保证了推理的时间性能.在3个不同BN上的推理实验结果表明,PMCMC在提高推理精度的同时有效保证了推理的时间生能.     

基于跳辨识-MCMC组合算法的人民币汇率跳扩散模型参数估计问题

针对人民币汇率收益率时间序列数据存在的跳变特征,采用跳扩散模型对其时间序列数据进行描述.为识别跳变规律并解决模型的参数估计问题,提出了基于跳辨识-MCMC的组合算法:即结合Lee-Mykland的跳辨识方法与MCMC(蒙特卡罗马尔可夫链)方法形成组合算法,利用仿真实验,通过误差分析得出组合算法在跳扩散模型参数估计方面效果明显优于单一MCMC方法.以人民币/美元日汇率数据为样本进行实证分析,结果表明组合算法不但能较为准确地识别出汇率收益率的跳变时刻及规律,而且其模型参数估计的有效性大大提高.     

动态贝叶斯网络在复杂系统中建模方法的研究

提出了用动态贝叶斯网络(DBN)对复杂系统进行建模的有效方法。基本思路是将扩展后的隐变量引入了DBN的演化过程中来建立马尔可夫模型,并给出了引入扩展后的隐变量的DBN结构学习算法框架。进而,利用贝叶斯概率统计方法对后续时间片的充分统计因子进行了估计,并通过当前已存在的充分统计因子和估计的充分统计因子对基于时间变化的转移概率进行了学习。原理性分析和仿真实验结果也验证了该方法的有效性。     

高阶马尔可夫链平稳分布的存在唯一性

探讨了高阶马尔可夫链模型中周期对极限分布的影响, 分析了高阶模型中多步转移概率矩阵的连通性与链的平稳分布的关系, 证明了高阶马尔可夫链平稳分布的存在性与唯一性条件, 完善了高阶马尔可夫链的参数估计理论. 然后应用高阶马尔可夫链模型对我国股票指数进行建模分析, 参数估计表明我国股价存在相邻相依度, 并对预测结果与传统模型进行了比较.     

基于MCMC稳态模拟的Weibull回归模型及其可靠性应用

讨论了贝叶斯加速失效模型族中应用最为广泛的Weibull回归模型，提出针对寿命服从weibull分布的产品，运用基于Gibbs抽样的MCMC方法动态模拟出参数后验分布的马尔可夫链，在失效率的先验分布为Gamma分布时，给出随机截尾条件下参数在Weibuil回归模型中的贝叶斯估计，提高了计算的精度。借助数据仿真说明了利用BUGS软件包进行建模分析的过程，证明了该模型在可靠性应用中的直观性与有效性。     

基于马尔可夫到达过程的并联可修系统的可靠性分析

研究了在一有限状态马尔可夫环境中运行的具有L个零件和N(N     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

基于MCMC模拟的Gamma过程先验模型及其可靠性应用

在比例危险率回归模型中以传统的参数方法给出回归系数的参数先验;在基准危险率函数为分段指数分布的条件下,通过引入增量的Gamma过程给出基准危险率的非参数先验过程;并由此构建出一种半参数贝叶斯比例危险率回归模型。通过运用基于Gibbs抽样的MCMC方法动态模拟出相关参数后验分布的马尔可夫链,给出随机截尾条件下模型参数的贝叶斯估计;利用BUGS软件包进行建模仿真分析的结果,特别是与参数回归模型结论的比较,证明了该模型在可靠性应用中的直观性与有效性。     

一种改进的贝叶斯网络结构学习算法

贝叶斯网络的结构学习是数据挖掘与知识发现领域的主要研究技术之一,能从大量数据中寻找隐含的概率依赖关系和知识表达模型,对复杂决策任务的建模与求解提供支持,具有重要的研究意义.文章通过分析结构学习方法(1(2和MCMC算法)的基本思想,将两种算法的优点和模型平均的思路结合起来,提出-种改进的贝叶斯网络结构学习算法.仿真实验证明该算法解决了K2和MCMC算法的缺陷,可以在无先验知识的情况下以较快的收敛速度获得较正确、稳定的模型结构.     

基于改进差分进化算法的水文模型参数多目标优选研究

在差分进化算法的基础上, 受马尔可夫链蒙特卡罗方法的启发, 建立了differential evolution adaptive metropolis (DREAM)算法. DREAM 算法融合了马尔可夫链蒙特卡罗方法和差分进化算法的优势, 较好地解决了马尔可夫链蒙特卡罗方法中搜索步长的恰当取值以及搜索方向的准确定位问题, 并能有效解决差分进化算法的群体多样性和收敛速度问题. 在 DREAM 算法基础上, 引入多目标优化思想, 提出了一种基于改进适应度分配策略和外部存档方案的多目标 DREAM 算法, 并应用于岷江流域 CMD-3PAR 降雨-径流模型参数优选研究. 结果表明: 多目标DREAM算法能够找到一组范围宽广、分布均匀且数量充足的 Pareto 最优解供决策者评价优选.     

基于MCMC的模糊自适应重要抽样法

针对传统的基于马尔可夫链蒙特卡罗 (Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于失效边界确定的系统,而不适用于失效域模糊的渐变结构系统问题,提出基于MCMC的模糊自适应重要抽样法。首先从模糊失效域内的某个初始点出发,根据Metropolis准则构造马尔可夫模拟样本点;然后利用自适应核密度估计构建核抽样概率密度函数并进行重要抽样;最后离散化模糊失效域以计算系统的模糊失效概率。该方法合理地解决了以往渐变结构系统性能可靠性难以仿真分析及仿真效率低的难题,具有较高的仿真效率和精度。应用舵机案例对方法的适用性及高效性进行了验证。     

基于MCMC的导弹主动段突防仿真及灵敏度分析

能否对抗预警卫星的早期预警探测是弹道导弹主动段突防的关键。结合导弹主动段飞行仿真、主动段红外特性计算和预警卫星红外探测仿真,基于马尔可夫链蒙特卡洛（Markov chain Monte Carlo, MCMC）方法构建了导弹主动段突防仿真模型,并建立了导弹主动突防参数灵敏度分析的响应面近似函数模型。通过导弹主动段突防仿真与参数分析算例,定量给出了导弹主动段性能参数对其突防能力的影响,验证了方法的有效性。     

利用贝叶斯模型进行热参数估计

对利用Bayesian模型分析热传导反问题中的导热系数预测问题的方法进行了研究。导热系数反问题的解是其后验概率密度的数学期望,用MarkovchainMonteCarlo算法计算后验状态空间以得到未知导热系数的统计估计。方法中取导热系数的先验分布满足正态分布,似然函数中的温度数据满足稳态零均值白噪声,先验分布与似然函数相乘得到后验概率密度函数。采用Metropolis-Hasting算法进行数据采样构造Markovchain,并截取收敛后的样本进行分析。     

大气低频噪声混合模型的MCMC参数估计

大气噪声是低频通信中的主要干扰,且具有严重非高斯分布特性,对非高斯噪声模型的参数估计对于提高低频接收机的性能具有重要意义。设计了估计非高斯混合模型参数的马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)算法,该算法通过构建贝叶斯层次模型,利用Gibbs抽样和M-H抽样更新迭代参数。利用乘积特性,将稳定分布作为等价的高斯分布来处理,并在层次模型中设置多个额外参数,以增强其灵活性。仿真实验与实测数据表明,该算法迭代收敛快、精度高,有很高的实用价值。     

网上支付系统的风险计量模型及实证分析

网上支付行为可看作电子货币资产（电子现金、电子支票和数字信用卡等）组合的交易过程，对网上支付风险进行计量，就是构建一个合适的资产配置模型，使得网上支付系统的效用最大化或交易成本最小，VaR方法提供了一种有效的电子货币资产配置模型。电子货币资产回报的时间序列是一个具有平衡性的Markov链，因此，采用MCMC方法，通过构建一个平衡分析为π(x)的Markov链得到随机样本，动态模拟出电子货币资产回报的分布，并通过定价公式得出其损益分布，最终计算出相应的VaR值使用以上构建的网上支付系统风险计理模型，对某商业银行调研后采集到有关数据样本作了实证分析，可为金融机构防范与控制网上支付风险提供参考。