桥梁极值应力的贝叶斯动态耦合线性预测

基于含有趋势性和随机性的监测极值应力时间序列数据,进行了桥梁极值应力的贝叶斯动态耦合线性预测。将历史监测耦合极值应力数据解耦,建立解耦极值应力的动态耦合线性模型(DCLM),并将其分解为有限个动态线性模型(DLMs)。基于动态监测的解耦极值应力数据,结合贝叶斯方法,进行动态耦合线性模型的概率递推,进而实现桥梁解耦极值应力的动态预测,并将预测的解耦极值应力进行相加,即可实现桥梁极值应力的动态预测。最后,通过在役桥梁的含有随机性和趋势性的监测极值应力数据,利用ARIMA(auto-regressive integrated moving average)模型,验证了所提方法的合理性与有效性。

基于分布式入侵检测系统的贝叶斯动态模型的研究

将贝叶斯(Bayes)方法用于一种动态线性模型,即贝叶斯动态模型,再将此模型应用于网络安全的代理分布式的入侵检测系统,预测用户行为,这样的系统就能确定用户是在进行不可预测行为,还是已经改变了他的正常工作方式,从而对组织内部的攻击起防范作用。