动态贝叶斯网络的一种基于BK的粒子滤波推理算法

针对传统粒子滤波(PF)对于动态贝叶斯网络推理中计算的高维问题,提出动态贝叶斯网络的一种基于BK的粒子滤波推理算法(BKPF).BKPF算法融合PF和BK的优点,以弱相关性为指导对DBNs进行分团来降低问题求解的规模,从每个团的状态空间获取粒子并以粒子的因式积形式近似表示系统的状态信度,进而对DBNs的状态空间进行重采样和更新.仿真实验表明,与PF相比,该算法显著提高了计算效率,且推理精度也有一定的提高.     

多Agent动态影响图及其一种近似推理算法研究

针对多Agent影响图不能建模动态环境和多Agent马尔可夫决策过程难以表示Agents之间结构关系的问题,提出一种新决策模型——多Agent动态影响图(MADIDs).为了能有效地对MADIDs进行推理,提出一种扩展的BK(EBK)近似推理算法,其扩展体现在三个方面:在BK算法中加入效用结点的边际化操作,加入分割团来减小BK算法的推理误差,使用MADIDs分层分解所生成的联合树来降低推理的复杂性.在模型实例上的实验结果显示了MADIDs模型和EBK算法的有效性.     

多Agent动态影响图的一种混合近似推理算法

多Agent动态影响图模型适合于对动态环境中多Agent问题进行建模,Agent之间结构关系被表示成局部的概率因式形式.概率图模型推理所面临的一个主要问题是难以实现近似推理的精度和复杂性之间的均衡.近似推理方法可提高推理精度,但同时也会带来推理精度的损失.BK和粒子滤波(PF)是动态概率模型两种重要的近似推理算法,BK算法有较高的计算效率但会引入较大的误差,PF可以近似任意分布但存在计算的高维问题.结合BK和PF的优点,提出多Agent动态影响图(MADIDs)的一种混合近似推理算法.根据概率图模型的可分解性,将MADIDs分解生成用于推理的原型联合树,混合近似推理算法在规模复杂度较小的团上执行PF推理以达到局部最佳估计,而在其他的团上执行BK推理,为了减小推理误差引入了分割团.仿真实验表明混合近似推理算法是MADIDs模型的一种有效推理方法,与BK和PF算法相比,该算法显著提高了推理精度,且可以实现推理精度和时间复杂性之间的均衡.     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

基于结构分析的局部Gibbs抽样自动推理算法

提出一种基于结构分析的局部Gibbs抽样的贝叶斯网络推理算法(S-LGSI).S-LGSI算法基于联合树算法的概率图模型分析思想,对贝叶斯网络进行精确分解,然后根据查询结点和证据结点生成具有强相关性的局部网络模型,进而对局部网络模型进行Gibbs抽样推理.与当前基于抽样的其它近似推理算法相比,该算法降低推理的计算维数.同时,由于局部抽样模型包含了与查询结点相关的重要信息,因此该算法保证局部抽样推理的精度.算法分析和在Alarm网的实验结果表明,S-LGSI算法较显著降低时间复杂度,同时也提高推理精度.S-LGSI算法应用于上海证券交易所股票网络的推理结果与实际情况基本一致,表现出较强的实用性.     

故障诊断专家系统的知识网络设计

该文针对识别与分类两种故障诊断模型，提出了一种知识网络的结构设计方法，并给出了详细的推理算法与故障判决算法.此种知识网络通过消息传递来实现不精确推理，具有分布式特性.该文还提出了网络结点判决函数的机器学习算法，采用卷包裹算法来实现判决函数边界点集的选取，减少了曲线拟合的计算量.     

基于概率探测模型的传感器结点配置研究

无线传感器网络结点配置是传感器网络研究的核心问题之一,它反映出无线传感器网络的代价和探测能力.主要研究了基于一种更为实用化概率检测模型(引入x%-RS 的概念)的无线传感器网络覆盖优化配置问题.在严格确保无线传感器网络连通性的条件下,优化了传感器结点配置数目并达到要求的覆盖度,获得具体的传感器结点配置方案.为提高算法的效率,在分步优化算法的基础上尝试一次循环配置多个传感器结点.最后,通过模拟计算给出配置算法的性能.     

基于团树传播的证据网络推理算法

将团树传播算法应用于证据网络中,解决复杂的多连通知识网络结构下的信度推理问题.将复杂多连通网络构造成一棵团树,并将联合信度作为团节点的参数实现复杂多连通网络结构上的证据网络信度推理.在进行联合信度函数信息融合的过程中,通过引入两种新的交并运算实现对DSmT组合规则的改进,减少不确定性.最后通过实例验证了所提出方法的可行性.     

基于影响力计算模型的股票网络社团划分方法

利用复杂系统的能量特性,引入影响力概念,研究动态复杂网络的社团划分方法,以有效地发现股票网络的社团结构.利用股票收盘价,通过引入影响力和结点中心性定义,构建以影响力为权值的股票网络,并提出一种基于影响力计算模型的股票网络中心结点层次聚类算法(based on the center node hierarchical clustering algorithm about the influence calculation model of stock network,BCNHC).BCNHC算法首先引入结点活跃性和影响力的定义,并给出网络中结点的影响力计算模型;然后,基于所引入的结点中心性的度量准则,选取结点中心性大的结点为中心结点,并利用结点间的亲密性和影响力模型确定相邻结点之间影响力关联度;进而,通过优先选择度值最小的结点向中心结点聚集,以降低因相邻结点所属社团不确定而导致的错误聚类;在此基础上,利用社团平均影响力关联度对相邻社团进行聚类,保证社团内所有结点的影响力关联度最大化,直至整个网络模块度最大.最后,在构建的股票网络上的实验比较和分析,验证BCNHC算法的可行性.     

基于Markov毯分解的抽样近似推理算法

现有的贝叶斯推理算法不同程度地存在推理精度低或推理时间长的问题。文中提出一种基于Markov毯分解的抽样近似推理算法(LSIA-MB)。LSIA-MB算法利用HITON_MB算法寻找查询结点的Markov毯, 进而利用动态规划方法学习边的后验概率, 确定变量之间的因果关系, 获得一个关于查询结点的Markov局部网络模型。最后, 在Markov局部模型上执行Gibbs Sampling。通过对Markov局部模型的抽样, 极大降低推理的计算维数。同时, 由于Markov局部网络模型包含与目标结点相关的完整信息, 从而保证局部抽样推理的精度。算法分析和在标准Alarm网的实验结果均表明, LSIA-MB算法降低推理时间, 且提高推理精度。LSIA-MB算法在上海股票交易网络上的推理预测结果显示出较强的实用性。     

1 1/2片联合树算法在动态贝叶斯网精确推理中的应用

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定着推理的执行效率。该文提出一种较简单的112片联合树算法,在不需要限制消去顺序且只作一次扩展的条件下构造联合树,所以算法简单且具有较小的复杂度。     

Approximate inference for dynamic Bayesian networks: sliding window approach

Dynamic Bayesian networks (DBNs) are probabilistic graphical models that have become a ubiquitous tool for compactly describing statistical relationships among a group of stochastic processes. A suite of elaborately designed inference algorithms makes it possible for intelligent systems to use a DBN to make inferences in uncertain conditions. Unfortunately, exact inference or even approximation in a DBN has been proved to be NP-hard and is generally computationally prohibitive. In this paper, we investigate a sliding window framework for approximate inference in DBNs to reduce the computational burden. By introducing a sliding window that moves forward as time progresses, inference at any time is restricted to a quite narrow region of the network. The main contributions to the sliding window framework include an exploration of its foundations, explication of how it operates, and the proposal of two strategies for adaptive window size selection. To make this framework available as an inference engine, the interface algorithm widely used in exact inference is then integrated with the framework for approximate inference in DBNs. After analyzing its computational complexity, further empirical work is presented to demonstrate the validity of the proposed algorithms.     

Representational power of restricted boltzmann machines and deep belief networks

Deep belief networks (DBN) are generative neural network models with many layers of hidden explanatory factors, recently introduced by Hinton, Osindero, and Teh (2006) along with a greedy layer-wise unsupervised learning algorithm. The building block of a DBN is a probabilistic model called a restricted Boltzmann machine (RBM), used to represent one layer of the model. Restricted Boltzmann machines are interesting because inference is easy in them and because they have been successfully used as building blocks for training deeper models. We first prove that adding hidden units yields strictly improved modeling power, while a second theorem shows that RBMs are universal approximators of discrete distributions. We then study the question of whether DBNs with more layers are strictly more powerful in terms of representational power. This suggests a new and less greedy criterion for training RBMs within DBNs.     

Learning the structure of dynamic Bayesian networks from time series and steady state measurements

Dynamic Bayesian networks (DBN) are a class of graphical models that has become a standard tool for modeling various stochastic time-varying phenomena. In many applications, the primary goal is to infer the network structure from measurement data. Several efficient learning methods have been introduced for the inference of DBNs from time series measurements. Sometimes, however, it is either impossible or impractical to collect time series data, in which case, a common practice is to model the non-time series observations using static Bayesian networks (BN). Such an approach is obviously sub-optimal if the goal is to gain insight into the underlying dynamical model. Here, we introduce Bayesian methods for the inference of DBNs from steady state measurements. We also consider learning the structure of DBNs from a combination of time series and steady state measurements. We introduce two different methods: one that is based on an approximation and another one that provides exact computation. Simulation results demonstrate that dynamic network structures can be learned to an extent from steady state measurements alone and that inference from a combination of steady state and time series data has the potential to improve learning performance relative to the inference from time series data alone.     

变结构动态贝叶斯网络的机制研究

传统的动态贝叶斯网络(Dynamic Bayesian networks, DBNs)描述的是一个稳态过程,而处理非稳态过程,变结构动态贝叶斯网络更适 用、更灵活、更有效.为了克服现有变结构离散 动态贝叶斯网络推理算法只能处理硬证据的缺陷,本文在深入分析变结构动态贝叶斯网络机制及其特 征的基础上,提出了变结构离散动态贝叶斯网络的 快速推理算法.此外,对变结构动态贝叶斯网络的特例,即数据缺失动态贝叶斯网络进行了定义并构建 了相应的模型.仿真实验验证了变结构离散动态贝 叶斯网络快速推理算法的有效性及计算效率.     

无线传感器网络的分区域质心定位算法

针对无线传感器网络（WSNs）质心定位算法定位精度较低和一般的改进型质心算法计算复杂及数据通信量大的问题,提出一种新的质心定位算法——分区域质心定位（RPCL）算法.该算法将包围未知节点邻居锚节点组成的三角形划分为7个区域,每个区域的确定1个质心作为未知节点的估计位置.仿真结果表明：RPCL算法的平均定位误差比一般的质心定位算法减小20％以上;参数优化后,误差减少到49％左右.     

一种约束粒子群优化的无线传感器网络节点定位算法

节点定位是无线传感网络的关键技术。无线电测距虽然精度高,但用最小二乘算法进行节点定位的误差较大。为了提高基于测距的无线传感器网络节点定位的精度,把节点定位问题转换成约束优化问题,再运用粒子群优化算法进行求解。求解过程中,通过设定约束适应度函数和距离适应度函数,降低了搜索的计算量,加快了收敛速度,最终较快地得到较优解。仿真实验表明,约束粒子群优化定位算法与最小二乘法相比,在不同测距误差、不同测距半径、不同描节点数和不同节点数的情况下,都能得到更高精度的解。这说明此算法具有更强的杭误差性、更好的收敛性和更少的硬件设备投入等优点,另外在节点稀疏的网络中定位效果也更优越。     

基于联合分步APIT定位算法的改进

本文研究了无线传感网络( Wireless Sensor Network,WSNs)的节点定位问题,并针对APIT由于锚节点在低密度环境下的节点误判和节点失效等问题给出了改进,在APICT定位算法的基础提出了联合分步定位算法UNION-APICT(Union Approximate Point-In-Circumcircle Test),该算法是结合连通性的测距技术,RSSI测距技术以及质心定位和APICT等技术,来联合解决对未知节点定位问题。通过仿真实验结果表明,改进后的UNION-APICT在APICT算法的基础之上平均定位误差减少了10%-25%,定位性能有了明显的提升;随着通信半径R和最大探测距离rmax的增加,定位误差也在逐渐减小,该算法较APIT和APICT定位算法在锚节点密度、节点覆盖率和定位精度上都有所提高。