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。

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。

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.

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。

配电网运行风险的动态评估组合模型

现有配电网风险评价中普遍存在专家评价主观性强和无效数据处理不严谨2个现实难点,据此提出一种基于BP神经网络—动态贝叶斯网络的配电网运行风险预警模型。首先运用BP神经网络集进行评价属性的训练和测试,避免了模糊综合评价中指标权重设置和指标专家评价值主观性强的问题;其次将多组BP神经网络的输出进行融合处理,剔除差异性较大的观测数据,最后将部分数据缺失的时间片观测值矩阵作为变结构动态贝叶斯网络的输入,对指标隶属度在时间序列上的动态演化进行分析,达到对配电网运行风险动态评估预警的目标。在实例分析中,通过该模型与模糊综合评价方法的评价结果进行对比,证明了该模型有效可行。