基于改进萤火虫算法的贝叶斯网络结构学习

贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网络结构存在效率低、容易陷入局部最优等问题,设计了一种基于互信息与性别机制的萤火虫算法(firefly algorithm based on mutual information and gender mechanism,MGM-FA)。首先,通过计算节点互信息得到贝叶斯网络骨架图,基于骨架图驱动MGM-FA算法生成初始种群;其次,引入基于性别机制的个性化贝叶斯网络种群更新策略,以保障贝叶斯网络个体的多样性;最后,引入局部优化器和扰动操作符,增强算法的寻优能力。分别在不同规模的标准网络上进行仿真实验,与现有同类型算法相比,该算法精度和效率均有所提升。

一种优化节点序搜索算子的BN结构学习方法

节点序空间下的局部搜索算法是一种性能良好的贝叶斯网络结构学习方法,在学习效率上具有极大的优势。然而,现有的该类算法通常存在节点序优化不足、学习精度低等问题,并容易停止在一个局部最优。为解决这些问题,对节点序空间下的局部搜索算法进行了研究,提出了一种新的通过优化节点序搜索算子来提高贝叶斯网络结构学习精度的IWINOBS算法。将迭代局部搜索算法与窗口算子相结合来搜索节点序空间中给定节点序的邻域,减小了算法陷入局部最优值的概率,从而获得质量更高的网络结构。实验结果表明:与网络结构空间下的贝叶斯网络结构学习算法相比,所提算法的学习效率提升了54.12%;与现有节点序空间下的贝叶斯网络结构学习算法相比,所提算法的学习精度提高了2.33%。

基于马尔科夫毯约束的最优贝叶斯网络结构学习算法

本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于马尔科夫毯约束的动态规划算法(Dynamic Programming Constrained with Markov Blanket,DPCMB),研究了IAMB算法中重要性阈值对DPCMB算法的各项性能指标的影响,给出了调整阈值的合理建议.实验结果表明,DPCMB算法可以通过调整重要性阈值,使该算法的精度与DP算法相当,极大地减少了算法的运行时间、评分计算次数和所需存储空间.

机载火控系统误差对精度影响的分析方法

本文讨论了机载火控系统精度的重要性,针对直升机机载火控系统的精度问题,应用Sobol指数法、熵值法等常用的分析方法进行数据处理,并比较各种方法的模型适应性、计算量以及准确性,在蒙特卡罗法的基础上提出了一种新的局部敏感性分析方法。

直升机火控系统精度敏感性分析的BNSobol法

针对现有研究大都只分析了单误差源对直升机火控系统精度影响的现状,提出进行直升机火控系统精度的敏感性分析。根据传统敏感性分析法在数据量不充分或无法提供精确模型时存在的局限性,对基于贝叶斯网络和Sobol指数相结合的敏感性分析新方法(BNSobol法)进行了研究,并与传统Sobol法对比分析。结果表明BNSobol法在满足精度要求的同时还减小了对数据量的需求,它的分析不依赖于模型且可以确定出满足约束条件的具体误差源取值区间。该方法可为直升机火控系统设计研究时如何分配各模块误差大小从而提高总体效能提供参考和理论支持。