基于变结构离散动态贝叶斯IP网络拥塞链路推理

针对CLINK算法在路由改变时拥塞链路推理性能下降的问题,建立一种变结构离散动态贝叶斯网模型,通过引入马尔可夫性及时齐性假设简化该模型,并基于简化模型提出一种IP网络拥塞链路推理算法(VSDDB)。利用逐次超松弛迭代算法求解链路拥塞先验概率唯一解,基于贝叶斯最大后验准则,借助加权启发式贪心搜索算法推理拥塞链路集合。实验验证了VSDDB算法具有更好的推理性能。

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.

基于扰动动态补偿的离散滑模变结构控制

提出一种扰动动态补偿的离散趋近率,分析了不确定离散滑模控制系统的鲁棒性,研究了准滑动模态的存在条件及其动态特征.利用不确定条件下实际趋近率与理想趋近率的偏差,直接平滑地预测内部参数摄动与外部扰动,克服了常规变结构控制中需已知不确定性边界的限制,而且不必满足匹配条件,既保留了传统趋近率的所有优点,又有效地降低了系统的抖振.仿真结果证明了理论推导的正确性.

离散变结构控制基于扰动动态补偿的理想趋近律

研究了带有系统内部参数摄动和外部干扰的离散时间系统变结构控制综合问题。给出了非匹配不确定离散时间系统带有扰动动态补偿的理想趋近律,消除了常规变结构控制中不确定项必须有界和满足匹配条件的限制。所设计的变结构控制器在有限时间内可达切换面,有效地削弱了系统抖振,减小了切换带带宽,改善了系统动态品质。仿真结果验证了该方法的可行性和有效性。

采用变结构动态贝叶斯网络的交通流量预测

物联网和大数据流式计算的快速发展为智能交通系统的研究带来新的机遇。交通流量预测一直是智能交通系统的关键问题。针对交通流量预测中一个固定模型无法适应多种环境的问题,以及面向数据流的模型更新问题,提出了一种基于变结构动态贝叶斯网络的交通流量预测方法。该方法以复杂事件处理和事件上下文为基础,通过上下文聚类进行历史数据的划分,并通过事件流在线聚类支持聚簇的更新。面向不同聚簇的数据,采取搜索-打分的方法学习对应的贝叶斯网络结构,基于高斯混合模型实现贝叶斯网络的近似推断。在线预测时根据当前上下文选择合适的模型或模型组合进行预测。真实和仿真数据上的实验结果表明,该方法能够获得比当前常用方法更好的预测效果。

一种变结构动态贝叶斯网络的反导态势评估模型

为了实现在反导预警监视系统基础上的反导态势评估,通过对反导作战过程的分析,根据反导作战指挥的需要,提取了反导作战中的五个关键事件,以动态贝叶斯网络为基础,构建了以关键事件为驱动的变结构态势评估模型.利用Matlab软件对态势评估模型进行仿真验证.仿真结果表明,该模型能够随着反导战场的变化反映出战场态势的变化,其推理时间也能够满足评估实时性要求,可为指挥员提供指挥决策依据.

基于变结构离散动态BN的最优交通路径规划

为了确保城市路网交通流平稳运行和各路段交通流量合理分配,提出了一种基于变结构动态BN的最优交通路径规划方法;该方法考虑驾驶员偏好,按时间序列建立适用于交通路径规划的变结构离散动态BN模型,采用最大似然估计算法和参数的自适应产生算法学习网络参数,用基于时间窗的动态BN近似推理算法中固定窗口宽度方法进行在线推理;结合实例对算法进行仿真,并与Dijkstra算法所得结果进行比较;实验结果表明变结构离散动态BN能利用实时采集到的信息对最优路径进行实时更新,在线决策。

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。

基于反射理论的动态变结构建模方法研究

仿真应用需求和仿真支撑技术的不断发展使得仿真系统的动态组合和重组已成为建模与仿真(Modeling and Simula-tion,M&S)领域的一个重要研究内容,而复杂系统的不确定性和现代分布式仿真架构的开放性及动态性是导致仿真系统动态组合和重组的根本原因。从建模角度深入分析了现有动态变结构建模方法在支持当前仿真系统动态重组上存在的不足,提出了基于反射理论的动态变结构建模方法,并设计了其抽象仿真器。方法作为M&S理论的重要补充可用于指导复杂系统仿真的设计与开发。

基于自适应动态贝叶斯网络的无人平台不确定推理机制研究

针对不确定环境下的动态变化及信息的不完备性,提出一种基于自适应动态贝叶斯网络的不确定推理方法,而变结构使网络在不同情境下能够适应环境的变化,动态贝叶斯网络作为推理模型能够捕捉信息之间的时序关系和依赖性。因此通过自适应变结构和动态贝叶斯网络的结合,可有效处理缺失信息,提高推理的鲁棒性,实现对不确定信息的实时、准确推理,增强决策的科学性和可靠性。仿真分析结果表明,与Dempster-Shafer(DS)证据推理算法相比,基于自适应动态贝叶斯网络的不确定推理方法更适用于复杂环境下的不确定性推理。

单元化单隐变量变结构DDBN推理算法

变结构动态贝叶斯网络(DBN)描述的是一个非稳态随机过程,是一种更灵活、更有效的动态网络。为了克服现有变结构DBN的推理算法不能实现在线推理的缺陷,提出了一种近似在线推理算法——单元化单隐变量变结构离散DBN(DDBN)推理算法。在定义了单隐变量变结构离散动态贝叶斯模型和单元的基础上,提出了算法的基本思想,并从理论上对算法进行了推导。仿真实验验证了该算法的正确性和有效性。

复杂环境下的无人机任务决策模型

为实现不确定环境下无人机(unmanned aerial vehicle,UAV)自主动态任务决策,提出一种基于变结构离散动态贝叶斯网络(structure-varied discrete dynamic Bayesian network,SVDDBN)的任务决策模型。该模型由威胁等级评估、目标价值评估和态势优势评估三部分组成,在此基础上可完成突变过程建模。根据以上三部分的评估结果,运用变结构离散动态贝叶斯网络推理算法得到当前时刻的任务决策。仿真结果表明,给出的决策模型满足突发威胁下的任务决策需求。

基于分层的SVDDBN的空间作战决策研究

为了实现空间作战平台在不确定知识基础上的快速自主智能攻击决策,以天基反卫星作战为背景,提出利用分层的变结构离散动态贝叶斯网络(SVDDBN)来建立攻击决策的图形模型,给出了该模型的推理算法公式和用于攻击决策的变结构网络参数的自适应生成算法。在此基础上设定初始条件进行模型算法的仿真验证,试验结果证明了本文提出的算法的可行性,它可以使空间作战平台利用打击链前端传来的经过模糊处理数据进行快速的推理决策,从而使空间作战平台具有有效的自主化决策能力。

一步预测的SVDDBN缺失数据插补算法

变结构离散动态贝叶斯网络(SVDDBN)处理不确定性问题更具有一般性,为了克服SVDDBN缺失数据会导致推理结果精度变差的问题,提出了一步预测的SVDDBN缺失数据插补算法。根据信息可以沿着网络的时间轴方向向下一个时间片传播的规律,利用"混合"信息在线进行信度更新,可得到滤波值,再通过进一步预测得到下一个时间片缺失数据节点的后验概率作为插补值。仿真结果表明:提出的算法能有效插补缺失数据,提高SVDDBN推理的精确度及可靠性。

威胁联网环境下的无人机突防路径决策

为了实现威胁联网环境下的无人机(UAV)突防路径决策,提出一种基于变结构离散动态贝叶斯网络(SVDDBN)的突防路径决策模型。根据无人机穿越探测威胁的方式和火力威胁的响应方式建立决策模型,运用基于自适应参数的变结构离散动态贝叶斯网络推理算法得到路径决策结果。仿真结果表明,该方法可以满足在威胁联网条件下的路径决策需求,为无人机突防提供了一种新思路。

基于时间窗的SVDBN近似推理算法研究

变结构动态贝叶斯网络(SVDBN)在处理非稳态过程的不确定问题具有其独特的优越性。为克服SVDBN推理算法不能实现在线推理的缺陷,在引入SVDBN的时间窗和时间窗宽度概念基础上,阐述了基于时间窗的SVDBN在线近似推理机制,提出了2种在线近似推理算法,即基于时间窗的变结构离散动态贝叶斯网络(SVDDBN)递推推理算法和基于时间窗的SVDDBN快速推理算法。通过仿真实验验证了这2种算法的有效性,并从复杂度、适用范围及更新时间等方面进行了比较。

基于DBNs的反导态势评估模型研究

为了实现多导弹攻击下的反导战场态势评估,首先建立了用于单枚导弹态势评估的贝叶斯网络(BN)模块,其次以该模块为基础提出了一种用于反导战场全局态势评估的动态贝叶斯网络(DBNs)模型,并给出变结构DBNs推理算法。仿真结果表明,该模型对来袭导弹的数目以及拦截成功与否等事件描述准确且迅速,可以满足多导弹攻击下的态势评估要求,并能够为反导指挥作战提供决策支持。

基于贝叶斯网络自适应推理的无人机任务决策

针对不确定环境下无人机任务决策问题,提出一种基于变结构离散动态贝叶斯网络的自适应推理算法.该算法能够利用软/硬证据和先验信息动态地调整任务决策模型参数,通过推理和参数学习互动的方式使任务决策模型具备适应动态环境的能力.仿真证明,提出的自适应推理算法能够在突发威胁信息不完备、先验参数不精确和先验参数无认知的情况下为无人机任务决策提供保障.