马尔科夫链状态概率转移矩阵修正算法

文章分别考虑新、老客户对某类产品各品牌市场占有率贡献情况,对市场调研获取的数据进行量化,获得反映客户在品牌选用转移关系的初始矩阵;结合相邻时期产品的市场占有率数据,对初始矩阵迭代求解构建更精确反映市场客户行为的马尔科夫链的状态概率转移矩阵。通过对状态转移矩阵和初始矩阵的"皮尔逊相关系数"计算来评价状态转移矩阵的可靠性。实例证明,状态转移矩阵与初始矩阵各行相关系数达99%以上,真实的反应了各品牌产品在市场占有率中的内在转移情况。

基于概率转移矩阵的时序电路可靠度估计方法

传统的概率转移矩阵(Probabilistic Transfer Matrix,PTM)方法是一种能够比较精确地估计软差错对门级电路可靠度影响的方法,但现有的方法只适用于组合逻辑电路的可靠度估计.本文提出基于PTM的时序电路可靠度估计方法(reliability estimation of Sequential circuits based on PTM,S-PTM),先把待评估时序电路划分为输出逻辑模块和次态逻辑模块,然后用本文提出的时序电路PTM计算模型得到电路的PTM,最后根据输入信号的概率分布计算出时序电路的可靠度.用ISCAS 89基准电路为对象进行实验和验证,实验表明所提方法是准确和合理的.

基于概率转移矩阵的串行电路可靠度计算方法

概率转移矩阵(Probabilistic Transfer Matrix,PTM)方法是一种能够在门级比较精确地估计差错对电路可靠性影响的方法,但目前其实现方法只能适用于较小规模的电路.本文引入了电路划分的思想,先把电路分割成一组适宜用原始PTM方法直接计算其可靠度的模块,然后计算出这些模块的可靠度,再依据串行可靠度模型,将所有模块可靠度合成为整个电路的可靠度.本文用实验的方法通过对74系列电路的分析得到了合适的电路分割参数,即分割宽度,再进一步对ISCAS85基准电路进行了可靠度的计算,结果表明新方法可以适用于更大规模的无冗余组合电路.通过与依据美军标MIL-HDBK-217所算得的可靠度的比较,验证了本文所提出的方法的合理性.

一种基于概率转移的Cyber攻击场景感知推理技术

态势感知是实现网络空间指挥与控制的重要基础之一,它强调的是如何从局部、琐碎、分散的信息中,分析、识别网络空间中当前正在发生的攻击行为及其属性,形成高层态势知识,以辅助指挥员决策.针对Cyber态势感知中攻击场景感知推理这一难题,本文提出了一种基于概率转移的Cyber攻击场景感知推理技术.该技术基于滑动窗口对传感器生成的原始告警流进行聚类分析,通过挖掘各个相关性类簇推理生成当前网络空间中正在发生的攻击场景,利用马尔科夫链对攻击场景进行形式化表示形成网络空间中的安全态势.基于Zeus僵尸网络的实验,验证了该技术的可行性和先进性.

离散Markovian跳变系统概率转移矩阵部分未知的可靠控制

针对执行器故障和概率转移矩阵部分未知的情况,研究了一类离散Markovian跳变系统的可靠控制问题.设计有效的状态反馈可靠控制器,不仅使得闭环系统在无故障的情况下是随机稳定的,而且在执行器出现故障的情况下还仍然使得闭环系统是随机稳定的.用一组耦合可解的线性矩阵不等式给出了可靠控制器的可行性条件.数值算例表明了所提方法的可行性和有效性.

具有多个概率转移要素的社会经济系统向量MARKOV链模型研究

由于任何社会经济系统都与其它系统或者外界环境同时进行着物质、能量和信息等多方面的交流,因此应用传统的只注重处理在系统间存在单一概率转移要素的马尔柯夫(Markov)链模型,就难于处理具有多个概率转移要素的社会经济系统的概率转移问题。针对这一问题,本文从向量的角度出发,运用马柯夫过程的基本理论,提出了向量马尔柯夫链的概念,并将切普曼──科尔莫洛夫方程推广到了向量领域,构建了具有多个概率转移要素的社会经济系统向量马尔柯夫链模型,并以实际问题为背景进行了案例研究,求出了该问题的解析解。

基于概率转移矩阵的社会网络影响最大化算法

现有近似求解影响最大化算法的时间复杂度较高,为此,提出一种扩展的线性阈值模型及其概率转移矩阵,给出该模型的传播过程及规则,设计基于概率转移矩阵的影响最大化算法,并利用贪心方法寻找到k个最具影响的节点。该算法通过矩阵乘积的方法得到T时刻节点之间的影响概率,无需在每个时刻计算所有非活跃节点的边际效益,从而在较短时间内提高运行时的效率,使得在规模较大的社会网络中被影响的节点最多且信息传播范围最广。仿真实验结果表明,在大规模社会网络中,该算法对社会网络节点的影响范围广且时间复杂度低。

基于概率转移矩阵的全加器可靠性分析

基于量子元胞自动机(QCA)电路,通过贝叶斯网络(Bayesian network,BN)对7种不同的传输线建模,研究了基本传输线的输出正确率随温度的变化规律。另外,通过概率转移矩阵(PTM)研究了7种不同结构的全加器的整体可靠性和输出Si以及进位输出Ci+1的平均输出错误率随错误因子的变化规律,并研究了各器件单元对全加器整体可靠性的影响。仿真结果表明,对于只有1个元胞宽度的传输线,直线型传输线有最高的可靠性,而且通过增加传输线的宽度可以提高传输线的可靠性。电路的可靠性不仅与电路结构有关,而且与电路器件单元的类型和门的数量密切相关。而且,产生进位输出Ci+1的择多门对电路的整体可靠性的影响最大,但不同的全加器的进位输出有相同的可靠性。

基于概率转移卷积神经网络的含噪标记SAR图像分类

合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN,PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。

基于概率转移矩阵的氨基酸连接偏好性研究

在Markov模型的基础上,提出了状态空间上合并映射的概念,以及合并过程下转移概率的计算方法。在已有氨基酸分类方法的基础上,结合Markov模型的概率转移矩阵,对氨基酸连接的偏好性进行了研究。结果表明:同一家族的蛋白质序列的氨基酸连接具有一定的偏好性,这种偏好性与氨基酸的分类有关,从而进一步说明了分类的科学性,同时这种偏好性对氨基酸序列的预测具有一定的作用。

基于马尔可夫转移概率的意识障碍识别研究

意识障碍可分为最小意识状态和植物状态,目前对两类患者的区分主要基于行为量表的方法,但仍存在40%的误判率,脑电信号可以作为临床诊断的辅助工具.微状态可以反应大脑潜在认知机制的时空信息,探讨较短且具有平稳性微状态序列的低阶马尔可夫性质鲜少研究.基于18名意识障碍患者的静息态脑电信号,在具有平稳性的时间尺度上(60 s)对微状态序列进行分割,然后计算状态转换序列的一阶马尔可夫和二阶马尔可夫转移概率,得到两类意识障碍患者具有统计学差异的转移模式,并将差异模式作为特征进行交叉验证,最高得到92%的分类准确率.结果表明:意识障碍患者的统计差异模式更倾向于转向C状态和D状态,一阶马尔可夫比二阶马尔可夫具有更好的分类效果.上述结果为区分两类意识障碍患者以及医疗领域的微状态研究提供了新方法.

融合转移概率矩阵的多阶最近邻图聚类算法

聚类是根据样本之间的相似性将数据集划分为多个类簇。现有的大多数聚类方法都存在两个挑战:一方面,在定义样本间相似性时往往没有考虑样本的空间分布结构,无法构建稳定的相似度矩阵;另一方面,图聚类构造的样本图结构过于复杂,计算成本较高。为解决这两个问题,提出融合转移概率矩阵的多阶最近邻图聚类算法(MNNGC)。首先,综合样本的近邻关系和空间分布结构,将共享近邻定义的相似度进行趋密性加权,得到节点间的趋密性亲和矩阵;其次,利用节点间多阶概率转移预测非邻接点的关联程度,并通过融合多阶转移概率矩阵得到稳定的节点间亲和矩阵;再次,为进一步增强图局部结构,重新构建节点的多阶最近邻图,并对多阶最近邻图的局部结构分层聚类;最后,优化了边缘点分配策略。定位实验结果表明,MNNGC在合成数据集上的准确率(Acc)均优于对比算法,且在8个UCI数据集上的Acc为最大值。其中在Compound数据集上,MNNGC的Acc、调整互信息(AMI)、调整兰德指数(ARI)和FM指数(FMI)相较于基于局部密度峰值的谱聚类(LDP-SC)算法分别提高38.6、27.2、45.4、35.1个百分点。

M/M/1排队系统输出过程的转移概率与瞬时分布

本文对M/M/1排队系统,求出其输出过程在顾客到达时刻的转移概率及在任意时刻的分布.

改进转移概率矩阵的三维交互式跟踪模型算法

由于现有的简单的转移概率矩阵会导致跟踪精度不高,复杂的转移概率矩阵会导致跟踪时间过长,难以满足三维空间中机动目标跟踪要求。针对转移概率矩阵的设计问题,从机理分析入手,提出了一种基于隶属度函数的模型转移概率矩阵设计方法,并对三维交互式多模型算法进行了改进完善。仿真结果表明,依据隶属度函数修正转移概率矩阵的方法有效提高了三维机动目标的跟踪精度。

基于Makov链状态转移概率矩阵的网络入侵检测

针对互联网中网络攻击预测问题,提出了一种基于概率模型的网络入侵检测方法(PNID),采用马尔可夫链对网络系统事件进行概率建模,用于预报和检测网络入侵。首先,执行K均值聚类来定义网络状态;然后,基于所定义的状态,构建包括状态概率转移矩阵和初始概率分布的隐马尔科夫模型(HMM);最后,利用模型实时检测输入数据的异常度。通过实验验证了该方法的可行性,并与其他两种方法进行比较,结果表明,该方法针对DDoS攻击具有较高的正确检测率和较低的误报率。此外,该方法对HMM训练数据集和状态数量具有较好的鲁棒性。

一种改进的时变转移概率AIMM跟踪算法

为了解决传统的交互式多模型目标跟踪算法中马尔可夫概率转移矩阵固定不变,造成的模型切换缓慢、跟踪精度不高的问题,提出了一种基于后验信息修正的时变转移概率自适应交互式多模型跟踪算法。算法定义了一种新的修正因子,利用后验信息对概率转移矩阵进行实时修正,提高匹配模型的概率,减小非匹配模型的影响,使得系统模型能够及时、准确地切换到匹配模型。蒙特卡洛仿真实验表明,该自适应交互式多模型算法能够应用于水下目标跟踪中,相比传统交互式多模型算法,模型匹配度更高,滤波效果也更好。

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响,提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法.该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计,并将估计结果用于交互式多模型算法的设计中,构造出时变马尔科夫状态转移概率的交互式多模型算法,有效地降低了人为因素对机动目标跟踪精度的影响.通过对一个机动目标的跟踪对比,说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率.

模型转移概率自适应的交互式多模型跟踪算法

该文利用量测中所包含的当前模式信息,实现了马尔可夫转移概率的实时估计,并将估计结果用于交互式多模型跟踪算法(IMM)的设计中,构造出参数自适应的交互多模型跟踪算法(PAIMM),有效降低了人为因素的影响。通过一个跟踪机动目标的仿真实例,说明PAIMM算法的有效性。

市场预测中马尔科夫链转移概率的估计

针对马尔科夫链运用于市场预测的关键问题，导出了最小二乘意义下的状态转移概率矩阵估计公式，并对特殊情况下实际常用的状态转移概率矩阵估算公式给出了理论证明。

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。