基于离散模糊动态贝叶斯网络的空战态势评估及仿真

自动准确地进行空战态势评估是无人作战飞行器（UCAV）自主作战，或有人作战飞行器（MCAV）的辅助作战决策系统必须解决的技术，也是进行威胁评估和战斗决策的基础。为了解决空战态势评估的建模和实现问题，提出了用模糊动态贝叶斯网络实现空战自动态势评估的方法，推导了离散模糊动态贝叶斯网络的推理算法，建立了空战白动态势评估的离散模糊动态贝叶斯网络模型，并进行了仿真验证。仿真结果表明，依据离散模糊动态贝叶斯网络所建立的空战态势评估模型，能够准确地跟踪战场态势的变化，及时发现态势的转换边界，而且在观测值出现偶然误差或者错误时，仍然可以给出正确的评估结果。     

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。     

基于模糊约束的贝叶斯网络参数学习

针对小样本下贝叶斯网络参数学习结果不准确的问题,提出一种模糊最大后验估计方法,该方法将模糊理论引入到参数学习中,通过对约束效力的度量,利用隶属度函数来确定超参进行学习,以提高约束使用的准确性。实验证明,所提方法可以有效提高参数学习的精度。除此之外,将所提方法应用到网络安全评估中,将通用漏洞评分系统作为专家先验参数,结合漏洞信息迁移样本来进行参数学习。最后,通过节点和路径安全评估验证了所提方法的有效性。     

基于贝叶斯模型的动态背景检测

利用贝叶斯模型结合核密度函数理论，给出了在复杂的动态背景下检测出运动目标的方法。首先，在图像相关性的基础上，利用非参数核密度估计的方法，建立前景和背景的棱密度函数，再利用贝叶斯理论，估计出背景和前景的先验概率，两者相结合得到一个估计的阁值，从而实现目标和背景的分类。该方法对阈值的选取进行了理论分析，实验证明，提出的方法能够在动态背景中准确地检测出目标。     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

基于贝叶斯网络的系统可靠性评估方法研究

为了有效评估动态系统要素间的复杂行为和交互特性,提出了一种基于贝叶斯网络(Bayesian Network,BN)的可靠性建模与分析的新方法.该方法利用BN的不确定性推理和图形化表达的优势,能够很好地捕捉系统要素的行为与交互,以结构的方式组合各种基本BN架构为用户提供模块化和分级的途径对系统进行建模.实验结果表明该方法的可行性和有效性.从而提高了系统的灵敏度,减少了其不确定性.     

贝叶斯网络个人信用评估模型

研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器2种贝叶斯网络信用评估模型的精度,用10层交叉验证在2个真实数据集上对贝叶斯网络信用评分模型进行了测试并与神经网络模型进行了比较.结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.     

基于贝叶斯网络的概率安全评估方法研究

针对传统的事件树/故障树分析方法的局限性,提出了基于贝叶斯网络的系统概率安全评估方法.该方法采用了一体化的建模思想,将故障树和事件树转化为贝叶斯网络进行分析,不仅可以得到常用的安全性分析结果,还可以得到其他有用的信息,非常便于推理和诊断.而且该方法还可以处理多态、相依、非单调和非确定性逻辑关系,有很强的适用性.通过1个油井平台瓦斯泄漏实例说明了该方法的有效性,并与传统的故障树/事件树分析方法和基于二元决策图的分析方法进行了比较.     

目标数据缺失下离散动态贝叶斯网络的参数学习

离散动态贝叶斯网络参数学习的难点在于:隐藏节点的片间转移概率获得及观测数据发生不同程度缺失。针对上述问题,提出基于目标缺失数据估计的前向递归参数学习算法。该算法利用离散动态贝叶斯网络中各观测变量与隐藏变量之间的对应关系,采用支持向量机建立观测变量间的非线性函数关系完成缺失数据估计,此基础上利用完整数据集和前向递归算法完成片内和片间参数更新。以空中目标识别为仿真背景,通过与期望最大算法对比,验证了该算法的学习效率和精度两个方面的优势。     

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。     

雷达电子战效果及效能评估的一般性思考

研究了雷达电子战中效果及效能评估的基本理论和方法。首先针对评估问题的本质特征作了深入的思考,指出了评估的"价值论"成分以及非线性泛函映射等诸多特点,并且研究了评估指标体系和方法体系的构成问题。然后提出了"评估指标空间"的概念,并从不同角度构建了突防中相控阵雷达系统的抗干扰性能评估指标体系。这些一般性思考有利于评估研究的进一步深入。     

基于灰色关联-模糊综合评判的雷达抗干扰性能评估方法

针对雷达抗干扰性能评估的问题,提出一种基于灰色关联-模糊综合评判的雷达抗干扰性能评估方法.该方法以模糊数学和关联函数理论为基础,首先借鉴已建立评价指标的模糊综合评判因素集,采用区间数打分,基于灰色关联方法确定评价指标权重.然后,通过隶属函数建立评判矩阵,计算模糊综合评断结果,并按照隶属度的大小确定雷达抗干扰能力级别.最...     

成败型系统可靠性增长的动态Bayes评定方法

针对产品研制过程存在多阶段的试验信息和产品性能参数呈现动态变化的特点,提出一种Bayes框架下成败型系统可靠性的动态评估方法.该方法依据产品研制过程中不同研制阶段的试验数据,利用离散AMSAA可靠性增长模型对产品可靠性的变化趋势进行描述,进而对新批次的产品可靠性进行预测,并由最大熵方法给出产品可靠性验前分布的确定方法,再结合产品少量的现场试验数据,对新批次的产品可靠性做出Bayes评估.最后通过实例对比分析,表明该方法很好地解决了小子样产品的可靠性试验评估问题.     

基于蚁群优化的贝叶斯网络学习

针对贝叶斯网络学习中的混合算法容易缩小搜索空间,同时易陷入局部最优等缺点,提出了基于蚁群优化的贝叶斯网络学习算法。首先应用最大最小父子节点集合算法(max min parents and children, MMPC)来构建无向网络的框架,然后利用蚁群优化算法进行评分〖CD*2〗搜索,通过平衡“开发”和“探索”力度来修补搜索空间并确定网络结构中边的方向。最后应用本算法学习逻辑报警还原机理网（a logical alarm reduction mechanism, ALARM),结果显示本算法减少了丢失边的数量,得到了更接近真实结构的贝叶斯网络。     

基于限制型粒子群优化的贝叶斯网络结构学习

贝叶斯网络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,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。     

基于面向对象贝叶斯网络的软件项目风险评估

针对软件项目的特点和软件项目风险定量评估任务,提出了基于面向对象贝叶斯网络的风险评估方法。该方法通过分析软件项目生命周期中的具体风险与风险因素之间的因果关系,建立面向对象贝叶斯网络拓扑结构;由专家判断和工程经验确定网络中的概率参数;采用概率推断工具,可定量估计风险的发生概率。给出了风险贝叶斯网络的建模过程,讨论了风险贝叶斯网络可以完成的风险管理任务。通过一个简单例子说明了该方法的应用。     

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。     

基于概念树的评估指标相关性研究

判别评估指标之间的相关性是评估指标体系优化中的基础工作之一，论文首先依据评估指标变量的参照点和单位将其划分为3种类型，然后研究评估指标变量的组合类型及其相关性分析方法，其次，引入一种新的方法－概念树方法分析评估指标之间的相关性，提出评估指标的概念树的构建方法及应采取的相应策略，通过举例说明该方法，还给出了如何处理在评估实践中常常出现的，在越高的层次上评估指标之间的相关性越高这一问题的建议，最后指出该方法可以应用在教育以及科研等评估领域。     

Bayesian network learning algorithm based on unconstrained optimization and ant colony optimization

Structure learning of Bayesian networks is a wellresearched but computationally hard task.For learning Bayesian networks,this paper proposes an improved algorithm based on unconstrained optimization and ant colony optimization(U-ACO-B) to solve the drawbacks of the ant colony optimization(ACO-B).In this algorithm,firstly,an unconstrained optimization problem is solved to obtain an undirected skeleton,and then the ACO algorithm is used to orientate the edges,thus returning the final structure.In the experimental part of the paper,we compare the performance of the proposed algorithm with ACO-B algorithm.The experimental results show that our method is effective and greatly enhance convergence speed than ACO-B algorithm.