贝叶斯网络推理算法综述

贝叶斯网络是一种有效的不确定性知识表达和推理工具,概率推理是其重要研究内容之一。经过二十年的发展,贝叶斯网络已经有一些比较有效的精确和近似推理算法。对迄今为止的贝叶斯网络推理算法研究进行综述,从复杂度、适用性、精度等方面对它们进行比较分析,指出每种算法的关键环节,为实际应用中算法选择和研究提供参考。     

数据缺失的小样本条件下BN参数学习

引入支持向量机回归,提出具有数据修补功能的贝叶斯网络参数学习算法.该算法利用贝叶斯网络各观测节点不同时刻下的观测信息,在无先验信息约束下,通过样本回归对缺失数据进行修复.在获得的完整数据基础上利用最大似然估计完成贝叶斯网络参数估计.仿真结果表明,在有数据缺失的小样本情况下,该参数学习方法与标准EM算法相比,能够有效的提高参数学习效率以及推理结果的精度.     

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D-S证据融合和直觉模糊贝叶斯网络双向推理的景区游客拥挤踩踏故障诊断分析

针对不确定条件下景区游客拥挤踩踏故障诊断问题,本文提出一种新的直觉模糊贝叶斯网络双向推理模型.首先,利用直觉模糊集表示专家对贝叶斯网络节点先验概率信息的模糊语言判断,并基于模糊可能性-概率变换公式,得到不同专家给出的节点先验概率值.其次,运用D-S证据合成规则进行信息融合,得到节点先验概率值.最后,结合贝叶斯网络模型,实现贝叶斯双向推理和重要度分析,并以华山景区为例进行实证分析.研究结果表明,本文方法可有效克服“去模糊化”方法导致的信息损失,为解决不确定环境下故障诊断和贝叶斯推理提供崭新途径.     

基于贝叶斯网络的复杂系统故障预测

针对复杂电子系统信号具有不确定性的特点,提出一种基于贝叶斯网络的故障预测模型。该模型通过对连续的信号特征进行量化处理,利用专家知识结合信号建立贝叶斯网络结构;对不同样本采用不同算法来进行网络学习,采用概率推理定量估计信号的区间预测概率,从而建立一个可推理的预测模型。将该方法应用于电源系统进行故障预测,针对不同数据样本进行实验,结果验证具有较高的区间预测率,为复杂系统的故障预测提供了新手段。     

基于贝叶斯网络的态势评估

作为一种知识表示和进行概率推理的框架,贝叶斯网络在具有内在不确定性的推理和决策问题中得到了广泛的应用。因果推理是态势评估中的一个重要环节,用贝叶斯网络找出态势假设和事件之间的潜在关系,正是态势评估所需完成的功能。根据态势与事件之间不同的连接关系建立了态势评估的贝叶斯网络模型,并分别介绍了相应的信息传播算法,最后以一个实例来说明该网络的计算过程。     

基于时间窗的SVDBN近似推理算法研究

变结构动态贝叶斯网络(SVDBN)在处理非稳态过程的不确定问题具有其独特的优越性。为克服SVDBN推理算法不能实现在线推理的缺陷,在引入SVDBN的时间窗和时间窗宽度概念基础上,阐述了基于时间窗的SVDBN在线近似推理机制,提出了2种在线近似推理算法,即基于时间窗的变结构离散动态贝叶斯网络(SVDDBN)递推推理算法和基于时间窗的SVDDBN快速推理算法。通过仿真实验验证了这2种算法的有效性,并从复杂度、适用范围及更新时间等方面进行了比较。     

贝叶斯网络推理的一种高精度仿真算法

简要分析了贝叶斯网络推理算法的现状,提出了基于马氏链随机拟蒙特卡罗算法(MCRQMC)的推理方法.在给出高精度推理结果的同时,该推理算法亦能给出推理结果的标准偏差.从理论上对MCRQMC算法与现有的算法进行了比较分析,并采用随机Halton序列、Sobol序列和普通随机序列进行了推理实验.结果表明MCRQMC算法在同样样本数量的情况下,推理精度显著优于现有算法.     

基于Bayes network含失效节点的网络可靠性评估

针对Bayes network (BN)能很好地表示变量的不确定性和相关性, 并能直接进行不确定性推理的优势, 提出了基于BN含失效节点的网络可靠性评估方法. 建模方面, 给出了通过节点分割去环构建有向无环图及条件概率表的具体方法; 推理方面, 通过节点消隐, 减小BN规模, 有效降低推理复杂度. 分析了算法复杂度, 并通过算例证明了算法的有效性和适用性. 由于BN建模及推理的灵活性, 该方法可研究同时含节点失效、共因失效的网络可靠性, 况且通过BN推理除得到网络失效概率和部件重要度外, 还可得到网络失效条件下任一部件失效或者共因失效发生的概率, 为故障诊断和维护提供指导.     

基于RS-DBN的电子对抗目标清单生成方法

由于电子对抗作战目标类型和工作方式多样, 变化速度快, 有效信息难以充分获得, 且在不同作战阶段呈现出不同特点, 使用传统评估方法难以对其等级排序实施精确评估。对此, 提出一种基于随机集的动态贝叶斯网络电子对抗目标等级评估方法。首先，对电子对抗作战目标清单生成方式进行梳理, 确定了评价指标体系, 并根据作战阶段的变化特点，结合动态贝叶斯网络完善了评价体系。然后, 充分考虑作战过程中数据获取不完整的特点, 通过引入随机集方法将传统贝叶斯网络的节点参数求解方法进行拓展, 使用区间数学的思想得到了较为准确的动态贝叶斯网络节点参数。最后，进行了案例仿真计算和结果分析, 并对节点概率确定方法进行算法复杂度讨论。结果表明，所提方法更加适合样本不完整的军事评估问题, 评估结果与实际作战基本一致, 使用的算法具有高效性、适用性和推广性。     

基于贝叶斯网络的动量轮可靠性建模与评估

卫星动量轮具有小子样、长寿命特点,无法进行大样本寿命试验评估可靠性水平,但是可以获得大量的专家经验、地面调试数据等验前信息,因而提出了一种基于贝叶斯网络的动量轮可靠性建模与评估方法.首先,采用贝叶斯网络学习算法,融合各种验前信息,建立动量轮可靠性模型;在此基础上,利用贝叶斯网络推理方法,评估动量轮可靠性,分析动量轮故障;最后通过实例分析表明方法的有效性.     

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。     

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.     

基于贝叶斯网络的威胁等级评估算法研究

阐述了基于贝叶斯网络专家系统的特点。研究了基于贝叶斯网络的推理模型以及基于此模型的推理算法。利用该算法构建了威胁等级评估模型，并进行了实例计算。研究结果表明，基于贝叶斯网络的威胁等级评估算法是一种有效的评估算法，其结果能够比较准确的反映威胁源的真实威胁程度。     

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.     

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。     

离散动态贝叶斯网络的直接计算推理算法

离散动态贝叶斯网络是对动态过程进行建模和定性推理的有力工具。但是目前所用的各种推理算法都需要进行复杂的图形变换,不易于计算机编程实现而且计算时间长。为此,基于概率论和贝叶斯网络的基本性质,提出了离散动态贝叶斯网络的直接计算推理算法,从理论上对算法进行了推导并进行了实例验证。该算法的最大优点就是不需要复杂的图形变换,非常适合于计算机编程实现,而且在某些情况下推理速度快于其它算法。     

Trust-Region Based Stochastic Variational Inference for Distributed and Asynchronous Networks

Stochastic variational inference is an efficient Bayesian inference technology for massive datasets, which approximates posteriors by using noisy gradient estimates. Traditional stochastic variational inference can only be performed in a centralized manner, which limits its applications in a wide range of situations where data is possessed by multiple nodes. Therefore, this paper develops a novel trust-region based stochastic variational inference algorithm for a general class of conjugate-exponential models over distributed and asynchronous networks, where the global parameters are diffused over the network by using the Metropolis rule and the local parameters are updated by using the trust-region method. Besides, a simple rule is introduced to balance the transmission frequencies between neighboring nodes such that the proposed distributed algorithm can be performed in an asynchronous manner. The utility of the proposed algorithm is tested by fitting the Bernoulli model and the Gaussian model to different datasets on a synthetic network, and experimental results demonstrate its effectiveness and advantages over existing works.