面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network,BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明:WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。

组合数据下贝叶斯网络构建算法研究

本文针对数据源复杂和不同领域数据组合构建贝叶斯网络时,计算量大且在大数据集中表现较差的问题,提出了组合数据下贝叶斯网络构建算法。该算法先利用改进K2算法构建的不同领域贝叶斯网络,再进行融合。实验结果表明,本文提出的算法能够减少计算量,提高了算法效率,并且适用于大数据集。

水下人-机协同搜救作业人因可靠性分析研究

为分析水下人-机协同搜救作业人因可靠性并识别其关键影响因素,根据水下搜救训练实际和相关研究结论提取人因可靠性影响因素;建立人因可靠性影响因素体系,利用解释结构模型定性分析各影响因素间相关关系,将建立的各影响因素的解释结构模型转换为贝叶斯网络拓扑结构,分别构建潜水员作业、无人遥控潜水器(ROV)作业、人-机协同作业人因可靠性分析贝叶斯网络;通过对3类贝叶斯网络进行推理,揭示影响人因可靠性的关键因素及其依赖关系,并定量分析3种作业模式下的人因可靠性变化。结果表明:人-机协同搜救作业中“误解意图”“通信不畅”“信息不对称”“作业精度不足”“丧失救助能力”等影响因素起到关键作用;当上述因素得到较好控制时,人-机协同搜救作业的人因可靠性将会表现出优于单纯的ROV或潜水员独立施救的效能。研究结果可为水下搜救作业人因可靠性分析与提升提供参考。