小数据集贝叶斯网络学习.ppt

考虑威胁因素较多时的威胁评估建模 实验结果及分析 样本为30时K2算法所得结构 样本为30时本文算法所得结构 样本5000时传统K2算法所得结构 100组 300组 500组 请各位老师和专家批评指正！ 谢谢各位老师 * * * * 约束完全错误时 多次仿真平均后的结果 基于单调性约束的BN参数学习 步骤1：根据领域知识或专家经验建立参数的单调性约束模型； 步骤2：结合参数规范性和单调性约束模型得到参数的约束区间； 步骤3：将约束区间内的均匀分布转化为贝塔（Beta）分布，并获取虚拟样本信息； 步骤4：将虚拟样本信息加入贝叶斯估计的模型，得到参数估计模型： 步骤5：将获得的参数作为下一个待求参数的下界，返回步骤1，重复步骤1-5，直到得到所有参数。 单调性约束模型 先验分布中参数的确定方法 实验结果及分析 算法精度分析 图1 图2 图3 图4 图5 图6 算法稳定性分析 图1 图2 图3 图4 图5 算法实时性分析 图1 图2 图3 图4 精度和时效性的综合指标 基于加性协同约束的BN参数学习 加性协同约束模型 方法二 实验结果及分析 图1 图2 图3 基于双重约束的BN参数学习 基于MLS的保序回归算法 实验结果及分析 图3 图2 图1 图4 时效性分析 基于改进BD评分的BPSO算法的威胁评估仿真 任务想定 实验结果及分析 样本为50时BPSO算法所得结构 样本为50时本文算法所得结构 样本1200时BPSO算法所得结构 参数学习 推理精度 基于改进BIC评分的K2算法的威胁评估仿真 任务想定 我方侦察UAV对相应区域执行侦察任务。想定中威胁空间仅考虑警戒雷达、高炮阵地和导弹阵地。其中高炮阵地和导弹阵地对UAV能够造成威胁性的发射杀伤，具有杀伤威胁。UAV在前往战场的飞行途中，实时接收来自指挥控制台的相关决策信息（目标威胁程度、UAV攻击或规避决策），想定中只考虑目标威胁程度信息。同时UAV实时应用机载传感器对周围环境不断探测，融合各传感器获得的战场数据信息，将观测数据进行离散化处理。 实验结果及分析 样本为10时K2算法所得结构 样本为10时本文算法所得结构 样本1000时传统K2算法所得结构 参数学习 系统工程博士学位论文答辩 题目：基于小数据集的BN学习及其在威胁评估中的仿真应用 答 辩 人：邸若海 指导老师：高晓光 研究内容 2 1 研究背景及意义 研究方法及实验结果 3 4 研究背景及意义 贝叶斯网络(Bayesian Networks，BN)于1986被Judea Pearl教授首次完整提出，Judea Pearl因其在贝叶斯网络概率推理和因果发现方面的先驱性工作而被授予2011年美国计算机学会图灵奖。 《science》和《Nature》多次刊登了贝叶斯网络的相关研究论文，斯坦福大学、卡内基梅隆大学、UC Berkeley、MIT等世界著名高校纷纷开设了贝叶斯网络相关课程，并组建了专门的研究团队。 贝叶斯网络也成功应用于基因分析、医疗诊断、模式分类等研究领域。人工智能领域的一系列顶级期刊(Artificial Intelligence、Journal of Machine Learning Reasearch等)和顶级会议(IJCAI、ICML、UAI等)中有关贝叶斯网络论文的数量也常年维持着较高的水平。 贝叶斯网络是人工智能领域的一个研究热点 通过对近10年贝叶斯相关文献的分析发现，大部分研究集中在应用领域，而贝叶斯网络的理论研究稍显不足。在BN发展初期，BN模型主要由专家根据经验进行构建。而后，随着统计学方法大规模介入机器学习和人工智能领域，从数据中构造模型逐渐成为主流。 贝叶斯网络学习是贝叶斯网络研究领域的一个热点问题 研究背景及意义 在实际建模问题中， 数据不充分是经常会面临的问题。一方面，某些领域可获得的数据量比较少或者数据的代价比较昂贵，例如，地质灾害预测、罕见疾病诊断、装备故障诊断以及作战指挥决策等。另一方面，数据量的增加是一个逐渐积累的过程，数据量的积累是一个由小变大、由少变多的过程，所以数据量必然会经历不充分的阶段。再者，在某些特定场合不得不在数据不充分的条件下完成决策。例如，在一些作战过程中，为了达到“先敌决策、先敌打击”的战术目的，不得不在数据尚不充分的条件下尽早做出较为正确的判断。 研究背景及意义 数据不充分条件下的建模是一个亟待解决的问题 问题的引出：基于小数据集的BN学习 及其在威胁评估中的仿真应用 研究内容 2 1 研究背景及意义 研究方法及实验结果 3 4 研究内容 小数据集条件下基于连接概率分布的BN结构学习 小数据集条件下基于先验约束的BN参数学习 基于小数据集BN学习的UAV威胁评估 研究内容 “