多种残差补偿的贝叶斯网络下的短期交通预测

为了解决道路车流量的数据生成条件时变场景下的交通预测问题,本文建立道路交通控制与交通流预测数据之间的联系,提出一种基于多种残差补偿的贝叶斯网络的短期交通预测方法。提取城市中大规模多路口主干道车道及车辆信息构造多个平行的贝叶斯网络,使用贝叶斯关系及期望最大化算法进行短期交通预测。再通过数据自相关残差补偿、车辆换道和多路口连通性的线性残差补偿提高了预测的精度,解决了传统研究对相邻路口和换道导致的误差等因素处理能力不足的问题。仿真结果表明:使用贝叶斯网络预测交通流,并基于车辆行为的残差进行精度补偿,可以更准确地预测复杂的交通演化场景的短期交通流。

基于GMM聚类的铁路网络数据风险等级分类方法

铁路行业信息基础设施及重要信息系统产生的数据种类繁多、数量庞大且价值密度高,而不同类型或等级的铁路网络数据存在不同级别的安全风险。为了完善铁路网络数据风险评估机制,设计一种基于高斯混合模型(GMM,Gaussian Mixture Model)聚类的铁路网络数据风险等级分类方法。从数据和风险角度提取关键信息,构建风险信息数据集;通过K-means聚类获得初始聚类中心;基于混合距离计算进行GMM聚类,实现数据风险等级划分。经实验验证,与传统K-means聚类、谱聚类算法相比,GMM聚类算法对铁路网络数据的聚类效果更优,能够更加准确地对铁路网络数据进行风险等级分类,从而为进一步落实铁路网络数据安全管理要求提供重要的技术支撑。

基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器

提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。

基于混沌同步的网络入侵检测方法

针对目前入侵检测系统已使用的ARMA等线性检测方法,引入了动力学的混沌同步思想,提出了一种基于混沌同步的网络入侵检测方法,从非线性信号处理角度进行检测.使用高斯混合模型(GMM)结合期望最大化(EM)算法对网络数据流建模,估计GMM的3个参数向量.取待检测网络数据流参数向量与正常数据流参数向量的差值作为Liu混沌系统的混沌同步控制量,当待检测数据流存在入侵信号时,波形会产生振荡,只要选取适当的判决门限即可准确判定入侵信号.利用MIT林肯实验室DARPA数据库对系统进行仿真实验,并与ARMA模型相比,结果表明,所提出的方法对入侵检测具有更高的检测率和更低的误警率.

贝叶斯框架下的自适应质量变量预测模型

针对工业生产过程中的时变性问题,提出贝叶斯网络框架下的自适应质量变量预测建模方法。采用改进的即时学习策略,将数据库分成若干局部数据子集,快速选择与待测样本相似度较高的一组数据作为训练样本,再利用主成分分析对训练样本过程变量进行特征提取,借此作为网络模型输入变量。利用基于改进Figueiredo-Jain算法的EM算法估计高斯混合模型参数,构建高斯混合模型逼近贝叶斯网络联合概率密度,训练得到贝叶斯网络下的自适应质量变量预测模型。基于田纳西伊斯曼(TE)仿真过程获得的数据,利用该方法对成分XG进行预测并与传统PCA-BN模型对比。结果证实该方法最大误差下降14.4%,均方根误差下降7.5%,相对误差下降8.3%,验证了该方法解决时变性问题的有效性。

基于虚假数据注入攻击的网络安全检测

为提高智能电网的安全性,结合传感器量测数据和攻击向量服从正态分布的特性,提出了一种基于高斯混合模型的虚假数据注入攻击(False Data Injection Attacks,FDIA)检测方法。在该方法中,通过EM算法求解出高斯混合模型参数,然后根据判断准则,利用测试数据对高斯混合模型的分类效果进行验证。仿真实验结果表明,在IEEE-18和IEEE-30系统节点网络攻击检测中,基于高斯混合模型的FDIA检测相较于SVM的FDIA检测精度更好,但攻击强度和协方差矩阵是关键影响因素。

基于高斯混合模型的配电网损耗计算分析研究

损耗率是衡量电力系统技术运行水平、经济运营程度高低的一项重要的指标。针对配电网在管理和技术降损的实际需求,在损耗统计和理论计算的基础上,提出基于高斯混合模型的短时段内损耗特性表征方法,采用期望最大化算法,进行损耗数据正常日和异常日的高斯混合模型参数的计算,并利用损耗数据的分布极值,简化迭代算法的计算过程,提高算法精度。通过所得混合分布参数的比对,识别损耗异常现象,有助于损耗异常点的定位和降损措施的制定。

基于GMM与EM算法的呼叫接入控制

【摘要】研究了ATM通信网络基于高斯混合模型的呼叫接入控制问题。提出了使用高斯混合模型来近似聚合通信流带宽分布的概率密度函数,通过EM算法来估计混合模型的参数并导出了基于高斯混合模型的允许接入控制公式。

基于贝叶斯网络的软测量建模方法

软测量技术对化工生产过程中提高产品质量和保证安全生产具有重要的作用,因此对化工软测量建模方法的研究具有重要意义。本文将贝叶斯网络应用于化工软测量建模,采用高斯混合模型来近似表达贝叶斯网络模型中的联合概率分布,通过Expectation Maximization算法求解出高斯混合模型参数并给出了贝叶斯网络估计公式。应用此法分别对某炼油厂脱丁烷塔塔底丁烷含量和某双酚A生产过程中脱水塔出口组分苯酚含量建立了软测量模型,取得了良好的离线估计结果。仿真结果表明,与支持向量机相比,在估计精度相当的情况下,省去了许多过程参数的估计,是1种有效的软测量建模方法。