基于免疫进化算法的Bayesian网结构学习

利用免疫进化算法（IEA）, 借助遗传和接种疫苗操作将基于打分和基于约束的两类Bayesian网结构学习方法有机地结合在一起, 提出一种新的Bayesian网结构学习方法. 通过与基于遗传算法的Bayesian网结构学习方法EGA(Expectation & Genetic Algorithm）的对比试验表明, 所提出算法的收敛速度更快、 学习得到网络的精度更高.     

Bayesian网推理中的化简方法

针对Bayesian网的一般推理是NP难的, 在很多情况下, 具体查询时简化Bayesian网结构可以明显减少计算量的特点. 提出一种可以实现这种 策略的3个操作： 分离、 替换和遍历. 实验表明, 这种策略一般可以提高计算效率, 有时 会有明显作用.     

SQL实现Bayesian网的不确定性推理

不确定性推理是人们常用的一种推理,Bayesian网是进行不确定性推理的有力工具,提出了扩展关系模型,并在扩展关系模型中用SQL（结构询问语言）语句实现Bayesian网的不确定性推理。     

基于信息熵的知识网度量方法及应用

为了解决知识网库中知识网的选择问题,提出了一种基于信息熵的知识网度量方法.首先,定义了基于信息熵的知识量函数,并证明了知识量函数的单调性.然后,将基于信息熵的知识网度量法用于基于用户功能需求的知识网选择中,并将基于用户功能需求的相似性和知识量作为评价知识网的量化指标.最后,在.NET平台上利用C#语言和数据库管理系统SQL Server 2000,开发出基于用户功能需求的知识网选择的使能工具,并通过实例证明,相似性和知识量的结合可以更好地对知识网进行度量.用户功能需求越详细,且知识网库中的知识网相似性值和知识量值越接近目标知识网,则搜索到的知识网越能满足用户的需求.     

基于信息熵的无线传感网入侵检测遗传算法

无线传感网作为正在兴起的物联网的基础设施,在快速发展的同时却面临着多种信息安全风险。提出了一种基于信息熵的无线传感网入侵检测遗传算法,将信息熵和遗传算法应用于检测过程所用比对库的训练,采用异常检测和特征检测结合方法进行入侵检测。仿真实验结果表明,该算法能快速地生成比对库,在入侵检测过程中的收敛性和精确度都有明显改善,其对入侵的检测率高于99．5％,误检率低于0．5％。     

结合信息熵的多Agent网络安全审计模型

针对目前网络安全审计中存在网络日志数据分析的智能性不高及安全审计模型采用的集中式结构负担重等缺点,设计一种新的多Agent网络安全审计模型,并在该模型中引入一种改进的基于信息熵的攻击检测算法.在实际运行环境中,通过对DDoS等攻击行为进行模拟和成功检测,证明该改进模型能够有效审计部分网络入侵,提高安全审计效率和日志数据...     

基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来,以鉴别信息定向后的网络为基础网,并设计相应的适应度函数和遗传算子,使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性,提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．     

基于自信息熵的直觉模糊决策系统的属性约简

针对在直觉模糊集中,利用下近似构建的约简只考虑了下近似而忽略了上近似,从而导致一些信息丢失的问题,基于直觉模糊集的上、下近似提出了3种熵度量,并将其应用于直觉模糊决策信息系统的约简之中。在直觉模糊决策信息系统上定义用于描述直觉模糊关系的3种不确定性度量,分别为平均决策指数、平均安全决策指数以及平均风险决策指数,并在此基础上依次提出了条件信息熵、条件粗糙熵和自信息熵,基于自信息熵给出了相应的约简定义以及属性约简算法。在多个数据集上的实验表明,所提出的属性约简算法与其他算法相比,约简结果更具有优越性以及鲁棒性。     

基于Bayesian决策的本体缓存

为了解决在语义W eb信息处理中本体的频繁存取造成的性能问题,提出基于B ayes ian决策理论的本体缓存模型。该模型有效利用本体的语义性和本体的存取日志来抽取特征向量(包括语义特征、存取特征和类型特征),通过B ayes ian决策理论指导在本地缓存频繁使用的本体,并通过机器学习优化缓存模型,提高本体概念和实例缓存命中率。本体的有效缓存减少了本体网络访问的开销,实验表明,采用该本体缓存模型后,原型系统的本体访问速度在G auss分布的本体访问概率下提高了25%左右。     

基于小波变换的Bayesian人脸识别方法

从小波变换良好的多尺度特征表达能力和Bayesian方法良好的识别能力出发,提出了一种基于小波的Bayesian人脸识别方法.首先对人脸图像进行小波分解,其次对得到的每幅低频子图进行Bayesian人脸识别,最后利用Yale人脸图像库进行了试验.实验表明,与传统的方法相比较,该方法提高了识别率,降低了运算量.     

基于预测能力的贝叶斯网络结构学习

给出了变量之间预测能力的概念及估计方法,证明了预测能力就是预测正确率.在此基础上建立了基于预测能力的贝叶斯网络结构学习方法,并使用模拟数据进行了实验.实验结果显示该算法能够有效地进行贝叶斯网络结构学习.     

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器，即朴素(naIve)贝叶斯分类器、贝叶斯网络分类器和TAN(tree augmented Bayesian)分类器；发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的，因此在所有树形分类器中TAN分类器是最优的．     

基于条件独立性测试的贝叶斯网结构学习改进算法

针对基于条件独立性测试贝叶斯网结构学习算法在删除完全图边时的不足,提出加入对节点x和y的互信息测试的改进算法,不但能充分考虑到D-分离原理中存在的3种图型结构,使学习到的网络结构更接近于解,而且还从一定程度上减少了三角团的存在,从而也将低了确定边方向时出现环路的概率.并通过实验证明改进算法是有效、可行的.     

一类拟模糊熵的渐近界

目的为得到一类拟模糊熵的渐近界的一些性质和定理。方法以模糊熵的基本定义和性质为基础,以Jensen inequality(詹森不等式)为工具进行研究。结果得到b-拟模糊熵、b-拟条件模糊熵、b-拟互信息的渐近界的定义和一些良好的性质及定理。结论深化和发展了模糊信息论的内容。     

Information flow among neural networks with Bayesian estimation

Estimating the interaction among neural networks is an interesting issue in neuroscience. Some methods have been proposed to estimate the coupling strength among neural networks; however, few estimations of the coupling direction (information flow) among neural networks have been attempted. It is known that Bayesian estimator is based on a priori knowledge and a probability of event occurrence. In this paper, a new method is proposed to estimate coupling directions among neural networks with conditional mutual information that is estimated by Bayesian estimation. First, this method is applied to analyze the simulated EEG series generated by a nonlinear lumped-parameter model. In comparison with the conditional mutual information with Shannon entropy, it is found that this method is more successful in estimating the coupling direction, and is insensitive to the length of EEG series. Therefore, this method is suitable to analyze a short time series in practice. Second, we demonstrate how this method can be applied to the analysis of human intracranial epileptic electroencephalogram (EEG) recordings, and to indicate the coupling directions among neural networks. Therefore, this method helps to elucidate the epileptic focus localization.     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

基于信息熵的无线传感器网络数据融合方案

为了有效地节省无线传感器网络节点的能量,提出了一种基于信息熵的层簇式数据融合方案.首先,该方案对传感器采集的历史数据进行分析.然后,利用并查集划分等价类的思想将存在数据冗余的节点尽可能地划分到一个簇中,并周期性地选取簇头节点对簇内节点数据进行融合处理.最后将所提方案与传统的LEACH协议在分簇和数据融合2方面进行了仿真比较.实验结果表明:相比于传统的LEACH协议,所提方案分簇更为合理,显著减少了节点的能量消耗,延长了网络生存周期.     

关于两种贝叶斯模型的一致性比较

主要讨论两样本情况下两种不同贝叶斯估计方法之间存在的差异.方法一是假定x_i（i=1,2）关于θ_i（i=1,2）条件独立;方法二假定x₁、x₂无条件独立.在考虑θ1的统计分析时,研究这二种方法的结果有无明显的差别.由实际分析可以得出结论：用两种模型对θ₁进行贝叶斯估计差异不大.     

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.