融合先验信息的贝叶斯网络结构学习方法

在贝叶斯网络结构学习的过程中,如何采集先验信息并合理利用它对于构建准确的网络结构非常重要。鉴于此,依据有先验信息的贝叶斯网络结构学习的三个环节：先验信息的采集、先验信息的融合和网络结构的优化,首先讨论了现有先验信息获取方法的不足,并提出了基于信念图的先验信息获取方法;其次针对所获取的先验信息通常具有一定的不确性,对最小描述长度测度进行了改进以融合非确定性先验信息;最后依据问题特性对模拟退火算法进行了适当的修改以更好地优化网络结构。实验表明,提出的结构学习方法能够有效地提高网络结构的学习精度。     

基于改进BIC评分的贝叶斯网络结构学习

引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。     

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。     

基于信息流改进的贝叶斯网络结构学习算法

基于信息流提出贝叶斯网络结构学习的改进型搜索评分算法。首先计算信息流进行全局因果分析,构造0/1优化问题,获得最优初始网络结构;在此初始结构的基础上产生搜索空间,采用贪婪算法搜索最优结构弧,同时由信息流确定弧方向,实现网络结构的一体化学习。首次将信息流引入贝叶斯网络的结构学习,优化了初始搜索空间,实现了弧和弧方向的同步确定,更能获得近似全局最优结构。实验表明,改进算法较其他算法的准确性和学习效率更高。     

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.     

融合专家先验知识和单调性约束的贝叶斯网络参数学习方法

针对小样本集条件下的贝叶斯网络参数学习问题,提出一种融合专家先验知识和单调性约束的贝叶斯网络参数学习方法。该方法通过将专家先验知识以正态分布形式融入单调性约束的贝叶斯网络参数学习过程,进一步提高了小样本集条件下贝叶斯网络参数学习的精度和稳定性。在小样本集条件下进行仿真实验,结果表明,与其他3种主要方法相比,所提方法平均(Kullback-Leibler, KL)散度大幅降低,运行时间高于其余3种方法。综合考虑学习精度和运行时间,所提方法优于其他3种方法。将所提方法应用于燃气轮机健康状态评估,评估结果与实际状态一致,验证了方法的有效性。     

基于单调性约束的离散贝叶斯网络参数学习

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。     

融合先验加速退化与外场退化信息的可靠性评估方法

针对性能退化过程服从Wiener过程的产品,运用贝叶斯统计推断法,提出了一种融合同类产品加速退化试验(accelerated degradation test, ADT)信息与个体外场退化信息的可靠性评估方法。考虑到内、外场应力环境之间的差异,提出了基于修正系数的Wiener过程双参数修正模型;分别建立了步进ADT数据模型与外场退化数据模型,得到各应力下分布参数估计值;利用加速因子,将各加速应力下分布参数估计值折算到正常工作应力下,构成未知参数先验分布的数据样本;采用CvM检验法,确定未知参数最优先验分布类型及其超参数估计值;构建了外场退化数据下未知参数的后验分布函数,采用马尔可夫蒙特卡罗方法,得到参数的后验分布均值。通过实例分析验证了所提方法的正确性和实用性,结果表明,本方法可有效处理先验ADT信息与外场退化信息之间的融合评估问题。     

匹配于进化种群的树形贝叶斯网络

为了构造匹配于进化种群的树形模型，首先研究了基于贝叶斯狄利克雷度量构建树形网络结构的方法，得出关键在于搜索每一个节点的最大值父节点。然后提出了节点的势及对称节点概念，证得节点的势与网络结构的连接方向关系密切，以及节点与其对称节点在贝叶斯网络图中具有相同的度量属性。最后给出了仿真分析结果，进一步表明本文提出的方法能够依据数据信息搜索到具有最大度量值的树形网络结构。     

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。     

Objective Bayesian analysis of degradation model with respect to a Wiener process

This paper proposes an objective Bayesian method to study the degradation model with respect to a Wiener process. The Jeffreys prior and reference prior for the parameters are derived, and the propriety of the posteriors under these priors is validated. Two sampling algorithms are introduced to compute the posteriors. A simulation study is conducted to investigate the performance of the objective Bayesian procedure. Finally, the authors apply the approach to a degradation data.     

贝叶斯网络增强型多模型AUV组合导航算法

针对复杂环境下自主水下航行器(autonomous underwater vehicle,AUV)组合导航系统中存在噪声不确定或者易发生变化的情况,提出一种贝叶斯网络增强型交互式多模型(interactive multiple model filter based on Bayesian network,BN-IMM)滤波算法。该算法在多模型估计基础上,引入特征变量,并根据变量与系统模型之间存在的因果关系建立贝叶斯网络;利用贝叶斯网络参数修正多模型估计中的模型切换概率,能够降低多模型算法中真实模式识别对先验知识的依赖性。该算法能够解决交互式多模型(interactive multiple model,IMM)算法中模型转换存在滞后、模型概率易发生跳变等问题,增强多模型算法的自适应能力。以陀螺和加速度计的输出作为特征变量建立贝叶斯网络,对AUV组合导航系统进行仿真,结果表明所提出的BN-IMM算法相比于传统的IMM算法能够显著提高机动状态时模型转换速度和估计精度。     

基于贝叶斯网络的复杂装备维修质量评价模型

针对当前装备维修质量评价忽视维修过程影响因素这一问题,将过程评价指标体系作为修后评价指标体系的先验知识,构建了一种基于贝叶斯网络的复杂装备维修质量评价模型。首先,建立了过程评价指标体系和修后评价指标体系,并对各项指标进行了简要分析。然后,建立了维修质量评价的贝叶斯网络模型,通过改进的模糊综合评价方法确定了根节点的先验概率,通过专家经验法确定了子节点的条件概率,并给出了模型的具体求解步骤。最后,通过算例仿真与分析对提出的方法进行了验证。结果表明,提出的方法能够在一定程度上解决复杂装备的维修质量评价问题,为完善复杂装备的维修质量评价理论提供了借鉴。     

基于故障树的复杂装备模糊贝叶斯网络推理故障诊断

复杂装备的小批量、个性化定制属性,注定了其生命周期过程中存在着相对较多的不确定性,故障隐患必不可免,故障诊断尤为重要.因此,提出基于故障树的复杂装备模糊贝叶斯网络推理故障诊断模型.首先,通过分析复杂装备的结构组成,建立复杂装备的故障树模型.其次,利用故障树转化法,构建基于故障树的贝叶斯网络拓扑结构.然后,针对复杂装备结...     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

融合不确定信息的某型导弹控制系统可靠性分析方法#br#

针对不确定信息在可靠性评估中难以表达与处理的问题,应用Dempster Shafer (DS)证据理论对贝叶斯网络进行改进。在分析现有研究的基础上,对DS证据理论与贝叶斯网络理论进行简要介绍,提出了不确定信息条件下故障树节点向贝叶斯网络节点转化的方法,包括与节点、或节点、异或节点、非节点与2/3表决节点。针对多状态贝叶斯网络中条件概率值难以确定的问题,应用DS证据理论/层次分析法对专家经验知识进行分析与表达。以某型导弹控制系统为例,利用故障树构建贝叶斯网络模型,应用DS证据理论对专家信息进行数据融合处理,确定不确定节点的信任函数、似然函数和条件概率值,并借助贝叶斯网络的正向推理、反向推理和重要度分析确定了可靠性设计与分配中的薄弱节点。     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

基于DDBN-Cloud的舰艇编队防空目标威胁评估方法

海上编队防空作战中,针对来袭目标威胁评估过程中不确定性因素较多、观测数据易缺失以及已有评估方法难以考虑动态威胁态势的问题,提出了基于离散动态贝叶斯网络云模型(discrete dynamic Bayesian networks cloud, DDBN-Cloud)的威胁评估方法。通过分析来袭目标特征,构建了目标威胁评估体系;为避免节点威胁属性值在小范围内连续变化所引起的重复计算,采用模糊逻辑理论将体系中的连续型变量转化为离散型变量;针对评估过程中指标数据缺失问题,采用前向信息修补算法进行信息预测修补;采用证据可信度对不确定性节点的先验概率进行赋值,使得贝叶斯网络(Bayesian network,BN)参数更贴合实际;最后,利用云模型将得到的威胁评估概率转化为确定的威胁度,实现由定性概念到定量数值的转化,进行威胁排序;仿真实验表明,该方法适用于目标数据缺失时的动态威胁评估,与静态贝叶斯网络云模型(Bayesian networks cloud, BN-Cloud)法和相对熵排序法相比,其结果更合理,具有一定的实用价值。