公共文化服务平台

邸若海: 作品数：12 被引量：83H指数：8; 供职机构：西北工业大学电子信息学院更多>>; 发文基金：国家自然科学基金国家教育部博士点基金中央高校基本科研业务费专项资金更多>>; 相关领域：自动化与计算机技术航空宇航科学技术更多>>

合作作者

基于单调性约束的离散贝叶斯网络参数学习被引量：8: 2014年; 针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。; 邸若海高晓光郭志高; 关键词：小样本保序回归最大似然估计

基于限制型粒子群优化的贝叶斯网络结构学习被引量：11: 2011年; 贝叶斯网络结构学习是数据挖掘与知识发现领域的主要研究技术之一,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。; 邸若海高晓光; 关键词：贝叶斯网络互信息粒子群优化

基于DBN威胁评估的MPC无人机三维动态路径规划被引量：14: 2014年; 模型预测控制(model predictive control,MPC)路径规划算法适用于三维动态环境下的无人机(unmanned aerial vehicle,UAV)路径规划;动态贝叶斯网络(dynamic Bayesian network,DBN)能够有效推理战场态势,对无人机进行威胁评估。针对威胁尾随无人机时的路径规划问题,构建DBN威胁评估模型,将UAV在战场环境中的威胁态势用威胁等级概率表示,与MPC路径规划算法相结合,得到基于DBN威胁评估的MPC UAV路径规划算法。通过多组仿真分析表明,在三维动态环境下,特别是威胁尾随无人机时,基于DBN威胁评估的MPC无人机路径规划算法可以得到有效的无人机路径。; 高晓光李青原邸若海; 关键词：无人机路径规划模型预测控制动态贝叶斯网络

基于融合先验方法的贝叶斯网络结构学习被引量：8: 2018年; 从数据中学习贝叶斯网络结构是一个非确定性多项式困难(non-deterministic polynomial hard,NP-hard)问题,当数据样本不充分时难以获得准确的模型,此时利用先验信息是一种有效的途径。但是利用先验信息的过程中如何适应不正确的先验信息,是一个待解决的问题。针对此问题,提出一种融合先验的方法进行贝叶斯网络结构学习,在评分搜索法的两个环节中解决这个问题:第一,提出了新的融合不确定先验信息的评分函数,考虑了先验信息与数据集的权衡。第二,提出了融合不确定先验信息的搜索策略,增强先验信息利用的鲁棒性。所提方法适用于任何启发式搜索。仿真结果表明了所提方法能有效地利用正确的先验信息,而且对错误的先验信息有较强的适应能力。; 高晓光叶思懋邸若海寇振超; 关键词：贝叶斯网络启发式搜索

一种学习稀疏BN最优结构的改进K均值分块学习算法被引量：5: 2020年; 目前贝叶斯网络(Bayesian networks,BN)的传统结构学习算法在处理高维数据时呈现出计算负担过大、在合理时间内难以得到期望精度结果的问题.为了在高维数据下学习稀疏BN的最优结构,本文提出了一种学习稀疏BN最优结构的改进K均值分块学习算法.该算法采用分而治之的策略,首先采用互信息作为节点间距离度量,利用融合互信息的改进K均值算法对网络分块;其次,使用MMPC(Max-min parent and children)算法得到整个网络的架构,根据架构找到块间所有边的可能连接方向,从而找到所有可能的图结构;之后,对所有图结构依次进行结构学习;最终利用评分找到最优BN.实验证明,相比现有分块结构学习算法,本文提出的算法不仅习得了网络的精确结构,且学习速度有一定提高;相比非分块经典结构学习算法,本文提出的算法在保证精度基础上,学习速度大幅提高,解决了非分块经典结构学习算法无法在合理时间内处理高维数据的难题.; 高晓光王晨凤邸若海; 关键词：贝叶斯网络

小数据集条件下贝叶斯网络自适应参数学习方法被引量：3: 2016年; 针对小数据集条件下贝叶斯网络参数学习问题,约束最大似然(CML)和定性最大后验概率(QMAP)方法是两种约束适用性较好的方法.当样本数量、约束数量、参数位置不同时,上述两种方法互有优劣,进而导致方法上的难以选择.因此,本文提出一种自适应参数学习方法:首先,利用CML和QMAP方法学习得到两组参数;然后,基于拒绝–接受采样和空间最大后验概率思想自定义计算得到样本权重、约束权重、参数位置权重;最后,基于上述参数和权重计算得到新的参数解.实验表明:在任何条件下,本文方法计算得到参数的精度接近甚至优于CML和QMAP方法的最优解.; 郭志高高晓光邸若海; 关键词：贝叶斯网络参数估计凸优化自适应方法

模糊离散动态贝叶斯网络的目标威胁等级评估被引量：16: 2012年; 动态贝叶斯网络作为一种智能推理工具在处理不确定推理问题中显示出强大的生命力,但是存在难于处理连续变量的推理问题。将模糊理论与动态贝叶斯网络相结合,提出一种模糊分类的方法,将连续变量模糊分类为动态贝叶斯网络能够应用的证据信息用于推理,并建立目标威胁等级评估模型,应用直接推理算法对该网络进行推理。仿真结果表明,该分类方法与动态贝叶斯网络结合能够很好地处理连续变量推理的问题。; 邸若海高晓光; 关键词：动态贝叶斯网络

小数据集条件下基于双重约束的BN参数学习被引量：7: 2014年; 针对小数据集条件下的贝叶斯网络(Bayesian network,BN)参数学习问题,提出了一种基于双重约束的贝叶斯网络参数学习方法.首先,对网络中的参数进行分析并将网络中的参数划分为:父节点组合状态相同而子节点状态不同的参数和父节点组合状态不同而子节点状态相同的参数;然后,针对第一类参数提出了一种新的基于Beta分布拟合的贝叶斯估计方法,而针对第二类参数利用已有的保序回归估计方法进行学习,进而实现了对网络中参数的双重约束学习;最后,通过仿真实例说明了基于双重约束的参数学习方法对小数据集条件下贝叶斯网络参数学习精度提高的有效性.; 郭志高高晓光邸若海; 关键词：贝叶斯网络 BETA分布保序回归

基于改进粒子群优化算法的贝叶斯网络结构学习被引量：9: 2014年; 贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。; 高晓光邸若海郭志高; 关键词：贝叶斯网络数据挖掘粒子群优化

基于加性协同的离散贝叶斯网络参数学习: 2014年; 针对小数据集条件下离散BN参数学习的问题,为了将加性协同约束融入到BN参数学习过程中,通过借鉴经典保序回归算法的思想,提出四种处理加性协同约束的方法,进而利用经典的草地湿润模型对改进算法进行仿真,并与最大似然估计算法进行对比,仿真结果表明,改进算法在精度上有一定优势,能够很好的对最大似然估计算法进行修正,得到相对准确的参数,然而时效性则劣于最大似然估计算法。进一步将改进算法应用到弹道导弹突防模型的参数学习中,通过推理分析验证算法的有效性。; 邸若海高晓光郭志高; 关键词：贝叶斯网络

邸若海

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

邸若海

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈