基于扩展时间影响网络的作战任务效能计算方法

由于战场环境的复杂性,作战任务与作战目标间通常存在动态不确定的因果影响关系。目前,传统的解析模型及作战模拟方法在计算作战任务效能时,存在因果建模能力不足,运行效率低下的问题。通过引入时间影响网络,并利用循环弧和强度参数扩展其时间约束,进一步表达了作战行动间异步和同步关系,提出了一种基于扩展时间影响网络的作战任务效能计算方法。在一定作战想定背景下,结合登岛作战任务示例验证了该方法的可行性和有效性。     

油藏预测中的贝叶斯网络融合方法

针对油藏分布预测的问题,提出了一个贝叶斯网络融合模型并设计了相应的算法.数据预处理时,为消除对地质、测井、钻井等多个专业和领域的数据分类所产生的误差,采用了数据聚类分析中k-平均算法,并针对专业领域数据的特点对算法进行了扩充与优化.最后,融合中心将贝叶斯网络输出的客观概率知识与领域专家知识进行主观融合,得出结论.实验表明,这一方法解决了油藏问题研究中传统方法(单一神经元网络模型方法)设计困难,训练周期长、速度慢,分类结果不精确等缺点,可以满足油藏分布预测的要求.     

基于动校正前CRP道集的多波联合AVO反演新方法

叠前AVO反演可以得到地层的弹性信息,继而进行地层岩性和流体类型识别。与速度信息相比,弹性模量信息更有利于储层描述。因此,本文采用叠前AVO反演方法直接反演得到纵波模量反射系数、横波模量反射系数和密度反射系数,联合纵波(PP)资料和转换横波(PS)资料进行AVO反演提高反演结果的精度和稳定性。常规AVO反演方法所采用的数据都是动校正后的CRP道集,动校正处理引入的动校正拉伸效应会影响反演效果,降低反演精度,尤其是密度的反演结果会受到较大影响。本文采用动校正前的CRP道集进行联合AVO反演,在反演过程中引入贝叶斯理论,从而提高反演的稳定性和精度。理论模型试算结果表明,本文提出的反演方法具有更好的稳定性、更高的精度以及更强的抗噪能力。     

基于朴素贝叶斯分类器的乘客出行属性分析

确定出行目的是探究出行规律的重要环节,而公交智能卡数据中恰恰缺少此部分属性。将出行调查数据与智能卡数据融合,对调查数据中的上、下车时间、出行目的进行提取,基于贝叶斯概率模型对其进行分析;对应智能卡数据集,借助朴素贝叶斯分类器对缺少的出行目的属性加以补充。以石家庄市北国商城公交站为例进行实证分析,并基于不同出行目的,对乘客的日出行次数及每名乘客的出行周变规律进行分析。结果表明,该方法对出行目的估计准确率为85.6%,乘客通勤出行平均每周4.7次,因私出行每周2.9次,归家出行每周3.4次,并给出了相关统计结果。     

融合协同训练和两层主动学习策略的SVM分类方法

针对当前主动学习策略直接用于SVM分类器时存在的泛化能力不强的问题,结合协同训练思想,提出了两层主动学习策略(TLAC),并用于SVM深层挖掘未标记样本数据的分布知识.实验表明,该TLAC策略能够合理的指定TSVM算法中的正样本数,在典型指标测试中都表现出了一定的优越性.     

多策略中文微博细粒度情绪分析研究

针对中文微博用户的情绪分析问题, 提出一种基于多策略融合的细粒度情绪分析方法。首先采用朴素贝叶斯算法对微博的有无情绪分类问题进行研究, 然后构建有情绪微博的21维特征向量, 最后采用SVM和KNN算法对微博进行细粒度情绪分析。以新浪微博作为实验对象, 结果表明多策略集成方法好于单一分类 算法。在多策略集成方法中, “NB+SVM”方法略优于“NB+KNN”方法。     

基于贝叶斯方法的单分类入侵检测技术

考虑到入侵检测问题中样本数据的不平衡性,可以将单分类模型应用到入侵检测中.通过应用贝叶斯方法,对单分类支持向量机模型进行改进,使之成为一种概率模型,从而更加符合入侵过程的随机特性;应用主成分分析技术对原始数据在各个方向上进行等方差处理,使之更加符合该模型对数据正态分布的前提假设.同时,在模型求解上采用分治的思想,对数据进行分组计算,实现对大数据的高效求解.在标准入侵检测数据集NSL-KDD上进行测试,实验结果达到87.46％的检测准确率,从而验证了该方法可以在入侵检测中得到有效利用.     

基于贝叶斯推断的风云四号闪电成像仪中虚假信号滤除

多种原因使得风云四号A星(Fengyun-4A,FY-4A)闪电成像仪(lightning mapping imager,LMI)探测到的发光事件中包含大量虚假信号,且目前针对不同的噪声来源采用不同的滤除方法。因此,为寻求一种较通用的、能同时滤除不同来源虚假信号的方法,尝试采用贝叶斯概率推断对2017年8月8日京津冀地区一次雷暴过程中的LMI实测数据进行虚假信号滤除。首先,采用国际上惯用的卫星闪电聚类参数化方案,将时间间隔小于330 ms且空间间隔小于16. 5 km的事件认为是闪电引起的连续信号,不满足此条件的则视为孤立的虚假信号而被滤除。然后,根据连续信号的辐射强度和该位置处的背景亮度与孤立虚假信号之间的差异性,采用贝叶斯概率推断来滤除连续信号中的虚假信号。考虑到贝叶斯推断可能存在误差,进一步根据闪电时空连续性特征设计了信号再判断方法,尽可能地滤除虚假信号且保留真实闪电信号。最后,利用云顶亮温资料及全球闪电定位网(worldwide lightning location network,WWLLN)数据对滤除结果进行初步检验。结果表明:虚假信号约占所有信号的50%;滤除虚假信号后,90%以上的信号分布在云顶低于240 K的区域内,且与WWLLN闪击点具有较好的对应。这种同时考虑信号时空连续性及不同信号间特征量差异性的虚假信号滤除算法,为设计更通用高效的虚假信号滤除算法做出了尝试。     

贝叶斯网络分类算法在遥感数据变化检测上的应用

以北京通州地区1996年5月29日和2001年5月19日2个时期的遥感影像为例介绍了基于贝叶斯网络(BN)的分类算法,在此基础上实现了2个不同实现遥感影像的变化检测,实验结果表明:基于BN分类的后分类比较变化检测方法是遥感数据变化检测的一种新的有效方法.     

基于变分贝叶斯原理的SINS/GPS组合导航VB-CKF滤波算法

系统量测噪声统计量不准确能引起组合导航系统滤波精度下降甚至发散,在变分贝叶斯原理的基础上,以容积卡尔曼滤波(CKF)为基础滤波器,导出基于变分贝叶斯的自适应容积卡尔曼滤波(VB-CKF)算法,仿真结果表明：在SINS/GPS组合导航系统中,VB-CKF算法较CKF算法能有效减少系统量测噪声统计量变化对滤波精度的影响,是一种具有广泛应用前景的SINS/GPS组合导航滤波算法。