基于因果熵的无人集群对抗评估指标分配方法

针对传统无人集群对抗评估指标分配方法仅能选出相关性较好的评估指标,存在指标混淆和虚假相关问题,提出因果熵概念,用于度量评估指标和对抗任务完成效果间的确定性程度,从而滤除评估指标之间的混淆效应。以仿真环境下的无人集群空地协同围捕试验为例,通过评估指标因果分配和约简优选出更能反映无人集群对抗能力且相对独立的评估指标。仿真结果表明,所提方法可以有效地优化评估指标体系,获取更具代表性的评估指标,具有一定的普适性。

基于oCSE-BS方法的动态因果网络构建研究

科学构建观察现象背后因果关系是各领域研究的一个基本问题。oCSE是构建动态因果网络的一种经典方法,它通过依次寻找单个节点的因果父集逐层构建网络,区别于当前通用的由成对节点间因果关系简单合成网络的思路。oCSE能够更充分利用数据生成高质量网络,但其存在两点局限:当出现多重传递性或共因性因素时易误判因果关系;大量测算对比致使时间效率偏低。为克服上述局限,本研究提出一种改进方法oCSE-BS:引入贝叶斯评分推断特殊情况下测试节点与目标节点的因果关系,避免引入伪父节点,提升识别因果关系的正确率;采取早期丢弃策略过滤弱相关节点,避免完全搜索带来的高计算量,提升算法运行的时间效率。经验证oCSE-BS在生成网络质量和时间效率方面均优于oCSE,同时发现其运行效果对网络规模、网络稀疏度敏感度较高,对样本噪音敏感度较低。

两相流流动结构多尺度复杂熵因果关系平面特征

采用一种新的信息熵理论分析了气液两相流流动结构动力学特征。首先考察了典型混沌时间序列的多尺度复杂熵因果关系平面特征,然后将该方法应用于气液两相流3种典型流型(泡状流、段塞流及混状流)的电导传感器波动信号处理,结果表明单尺度复杂熵因果关系平面能够对不同流型线性识别。此外发现多尺度复杂熵因果关系平面能够描述流动结构信息随尺度增加的连续丢失过程,反映了气液两相流流动结构稳定性及复杂性,是理解两相流流动结构非线性动力学特性的一种有用分析工具。

基于因果强度的时序因果关系发现算法

为准确推断时间序列间的因果网络,针对传统因果强度衡量方法的不足,提出一种基于信息熵的因果强度衡量标准(归一化因果熵)。为改进传统方法量纲不统一且冗余较多的缺点,通过归一化处理使量纲不同的节点间强度具备可比性,通过排除节点间的间接影响大幅减少冗余,更准确地衡量时序节点间的因果强度;在此基础上,设计时间序列的因果推断算法,以归一化因果熵衡量节点间因果关系的强弱,筛选强关系形成完整因果图。实验结果表明,该算法相比起传统算法更准确有效。

局部因果关系分析的隐变量发现算法

结构分析的隐变量发现方法难以有效地发现隐变量且可解释性较差。基于因果关系和局部结构的不确定性,提出了一种基于局部因果关系分析的隐变量发现算法(hidden variable discovering algorithm based on local causality analysis,LCAHD)。LCAHD算法给出了因果结构熵的定义,将因果知识和不确定性知识相融合,以因果关系的不确定性程度作为隐变量存在的判定依据,并对这一依据进行了理论上的论证。LCAHD算法首先通过寻找目标变量的马尔科夫毯来提取局部依赖结构,并基于扰动学习获得扰动数据,联合扰动数据和观测数据学习局部依赖结构中的因果关系;然后利用因果结构熵对局部因果结构中因果关系的不确定性进行度量,并利用隐变量和因果关系不确定性之间的相关性判定条件,确定隐变量的存在性。分别针对标准网络和股票网络进行了实验,结果表明,该算法能准确地确定隐变量的位置,具有较好的解释性。