简单贝叶斯网络的遥感图像检索

基于内容的图像检索技术是访问大型遥感图像数据库的关键技术．然而,低级特征和高级语义概念间的语义鸿沟很大程度上限制了检索的性能．因此,研究了使用简单贝叶斯网络从分割图像区域的颜色纹理特征中推断出图像的语义概念．该语义概念指的是卫星图像中的各种地表类型如森林、岩石、水域等．实验表明,论文提出的方法获得了较高的准确率和较低的响应时间．     

混合Markov与Bayes的客户欠费预测模型

为有效规避客户欠逃费和实现差异化处置,针对具有长期定时付费特征的后付费类服务,提出混合马尔科夫与贝叶斯的客户欠费预测模型,基于全客户多要素信息增益分析,给出潜在欠费客户的欠费概率,为客户欠费预警和处置提供全面、客观、精细的决策信息,并支持客户差异化处置.首先,基于其付费特点,建立k序马尔科夫模型,计算客户的初始欠费概率;然后,融合客户基本属性、行为特征和欠费信息等要素,基于条件互信息和爬山法生成目标贝叶斯网络,对初始欠费概率予以修正,形成客户最终欠费概率;最后,基于实际数据进行实证分析,验证了该模型的有效性.     

不确定信息环境下目标毁伤效果评估

通过分析实际战场中的目标毁伤信息的不确定性,提出了不确定信息环境下需要解决的目标毁伤评估问题。采用模糊与贝叶斯理论,建立了目标毁伤等级评估模型。利用随机概率的多属性方案排序（stochastic multi-criteria acceptability analysis, SMAA）方法,给出不确定信息环境下目标毁伤效果评估方法,为解决不确定环境下目标毁伤评估问题提供了新思路。并采用蒙特卡罗仿真进行了验证,说明了该方法的可行性与有效性。     

基于情感词典和监督学习的中文短评论情感分类

情感分类是当今网络环境下的热门应用之一,其目标在于判断文本内所包含的感情色彩和观点倾向。传统的情感词典分类法在面对长度短、非正式的文本时,会遇到部分文本无法被归入任何一个分类中的问题。为解决这一难题,文章选择将监督学习思想和情感词典结合,使得原本无法分类的文本都能被标注到一个特定分类中。最终,这一方法对中文电影短评论取得了理想的效果,准确率比单纯的情感词典方法有所提高。     

基于贝叶斯网络的商业银行全面风险预警系统

贝叶斯网络能够用条件概率较好地表达不确定性因果关系, 并进行一定的推理. 基于商业银行全面风险管理的复杂性, 较难采用传统方法构建预警系统, 采用贝叶斯网络, 通过构建商业银行全面风险的拓扑结构, 将各类风险诱因对商业银行全面风险的影响纳入到具有因果关联的网络结构中, 测算了各类指标对全面风险的影响程度, 并通过预警系统的灯号模型, 直观地展示了风险因素对商业银行全面风险的影响, 以便帮助商业银行及时采取措施化解风险.     

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。     

基于模糊概率的多状态贝叶斯网络可靠性分析

利用贝叶斯网络对多状态系统进行可靠性分析时,各根节点不同状态的精确概率难以获得。因此提出了把模糊理论与贝叶斯网络方法相结合,将不同专家给出的根节点各状态发生概率的语言变量转化为三角模糊数,并经过均值化、解模糊和归一化得到不同状态的发生概率的精确值。将其代入多状态贝叶斯网络中,计算叶节点不同状态的发生概率,进而计算各根节点的后验概率及风险增加当量重要度。通过实例分析验证了该方法的可行性。应用该方法能够提高贝叶斯网络处理不确定性问题的能力,使其在解决多状态不确定性系统可靠性和安全性问题时发挥更大的作用。     

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.