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。     

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.     

信息不完备冲突分析的研究方法及应用

研究信息不完备冲突的建模及分析方法,并结合美─伊海湾危机讨论信息不完备冲突分析方法的具体应用及其优越性。     

小样本数据缺失状态下DBN舰艇编队防空目标威胁评估方法

针对海上编队防空目标威胁评估过程中样本数据量较少且易缺失、已有评估方法过多依赖专家经验以及难以进行时间序列上动态评估的问题,提出了基于约束参数学习的动态贝叶斯网络(dynamic Bayesian networks, DBN)威胁评估方法。采用AR(p)模型预测时间序列上的缺失数据,从而获得完备的小数据集样本;在此基础上,根据专家经验构建合理的参数约束模型;进一步利用贝叶斯估计进行参数学习;将学习得到的参数代入DBN中,推理求出威胁评估结果;引入效用理论对威胁评估结果进行排序。仿真实验表明该评估方法在小样本数据缺失状态下目标威胁评估的结果合理,准确性高。     

不完备信息条件下基于置信规则库的能力满足度评估方法

信息不完备条件下,已有的置信规则库(belief rule base, BRB)〖JP+1〗建模方法较难构建完整结构的BRB,为武器装备体系能力需求满足度评估带来较大挑战。为此,本文提出了基于有限交集规则和自组织映射方法建立并集规则库的体系能力需求满足〖JP+2〗度评估方法。首先,分别对交集假设下和并集假设下的BRB进行描述,并分析了两者的关联性;其次,引入了自组织映射方法,定量计算每条并集规则同与其相关的交集规则之间的关联程度,进而计算并集规则所关联的交集规则的权重;在此基础上,给出了基于不完备交集BRB生成完整结构并集BRB的步骤;最后,以某区域防空武器装备体系能力满足度评估为例验证所提出方〖JP〗法的可行性和有效性。     

分段平稳变结构DBN模型区域内的结构学习

为解决在有限的样本数据和缺乏先验知识条件下对非平稳随机过程进行建模的问题,提出分段平稳变结构动态贝叶斯网络(dynamic Bayesian network,DBN)的概念。在每一个平稳模型区域内,将模型近似表征为一阶条件独立DBN,稀疏的结构加快了DBN的学习过程。改进了基于标准马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)的DBN结构学习算法,利用自适应增加的马尔可夫链个数,有效防止标准MCMC算法在寻优迭代计算中出现过早收敛。与标准MCMC算法、结构期望最大化算法等进行对比实验,验证了所提算法的有效性。     

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.     

基于离散动态贝叶斯网络的辐射源目标识别研究

提出基于离散动态贝叶斯网络模型,对若干可观测的目标特征参数进行综合推理.推导了离散动态贝叶斯网络的推理算法.建立了目标识别的离散动态贝叶斯网络模型.应用图形模式,使得计算量大大简化,降低了实用的复杂性.仿真结果表明,该方法能够将各种目标特征进行综合,使得各种特征及不同时刻的同一特征互相修正补充,克服了依靠单一特征进行目标识别的局限.     

用于操作风险分析的小样本贝叶斯网络结构学习

现有的贝叶斯网络结构学习方法需要大量可靠例子进行复杂的运算,具有低效率和可靠性,而在操作风险管理方面积累大量可靠的例子非常困难.针对问题和实际需求,基于变量之间基本依赖关系、结点之间基本结构、d-separation标准和依赖分析方法进行小样本贝叶斯网络结构学习,分别使用模拟和真实数据进行了实验和分析,结果显示,该方法能够有效地进行小样本数据的贝叶斯网络结构学习.     

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。     

不完全信息的离散型模糊随机多准则决策方法

针对状态概率与准则权重均为区间数且准则值有缺失的离散型模糊随机多准则决策问题,设计了一种基于信息集结的新方法.该方法在区分准则类型和确定决策者的风险偏好水平后,首先根据准则类型利用最大、最小算子计算方案集在不同状态下有缺失值的准则上的正、负理想值,再通过决策者的风险偏好水平与正、负理想值补充方案集在不同状态下缺失的准则值,然后参照准则类型与决策者的风险偏好水平集结方案集在不同状态下赋值为梯形模糊数的准则值并进行规范化,接着利用熵与离差最大化分别构建规划模型以求解最优状态概率分布与最优准则权重向量,进而得到方案集的综合评价值并确定排序,最后给出具体算例.结果显示了该方法的有效性和可行性.     

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。     

不完备信息下生态补偿中主客体的两阶段动态博弈

由于环境问题的突出和经济发展的不平衡, 对环境质量要求较高的区域(补偿方)就会对环境质量较差的区域(被补偿方)提供一定的援助, 期望被补偿方改善环境质量. 但是由于环境资源能够给其带来收益以及策略性获取更多补偿金额动机的存在, 就会导致许多的补偿项目不会取得预期的效果甚至失败. 从动态博弈的角度出发, 首先建立了完全信息下补偿方和被补偿方的静态贝叶斯博弈模型, 分析了博弈双方在完全信息下的占优策略选择; 然后假设被补偿方执行环境政策和标准的力度(分为强硬型和软弱型)为其私有信息, 建立了不完全信息下两阶段动态博弈模型, 分析了两个区域的策略选择以及不完全信息如何影响补偿大小和环境质量.     

不完全信息下的粗集拓展

在复杂的决策环境下，不完全信息是不可避免的，在此情况一，专家往往也能给出满意的决策，因此从不完全的案例中提取有用的模式，用于增强智能系统的知识库，是具有实际意义的，粗集是处理不确定信息的有效方法，但它通常适用于完全决策者，论文对粗集理论在不完全信息下进行了初步的拓展，这给从不完全决策表中挖掘知识提供了理论基础。     

基于专家信任网络的不完全信息武器选择决策

现代战争的发展必须统筹考虑多种类型装备发展与规划.武器装备建设方案的顶层设计大多都属于多属性群决策问题.如果采用传统的犹豫模糊方法,在专家权重未知和决策信息缺失的情况下,单纯依靠悲观或者乐观原则扩充元素,则忽略了专家的综合意见,对专家的评估的完整性造成了破坏,另外,专家权重依靠人为给定,可能存在一定主观偏差.基于以上原因,本文提出了一种不完全信息条件下基于专家信任网络的多属性群决策方法.与传统的犹豫模糊方法相比,提出的专家信任网络的概念,规范了专家权重的计算过程,并且综合各个专家的评估意见,进一步计算专家评估矩阵中的缺失值.本文以武器方案选择为例,完善了基于专家信任网络的犹豫模糊决策方法,证明了该方法的有效性,并分析了特定情况下的专家信任网络对最终决策结果的影响.     

不完全信息下非常规突发事件应急决策缺失数据处理模型

针对层次分析法和网络分析法在"情景-应对"型非常规突发事件应急决策中应用时,由于决策时间的紧迫性、决策信息的不完全性、专家经验和人的认知能力有限性等因素导致的专家决策判断矩阵数据不一致和缺失问题,提出用未知数填充缺失元素以获取准完全矩阵,再建立对数均值诱导偏差矩阵模型来求解未知数的缺失数据处理方法,并通过应急案例进行了仿真实验,实验结果验证了本模型的有效性.本模型充分利用原始应急决策判断矩阵信息,不需要计算残缺矩阵的权向量,所求解出的缺失数据估计值满足全局一致性条件,能辅助应急决策者智能处理和估计应急决策判断矩阵缺失数据.     

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。