系统工程与电子技术
繫統工程與電子技術
계통공정여전자기술
SYSTEMS ENGINEERING AND ELECTRONICS
2014年
6期
1207-1214
,共8页
梅军峰%高晓光%万开方
梅軍峰%高曉光%萬開方
매군봉%고효광%만개방
贝叶斯网络%参数学习%凸优化%不确定性
貝葉斯網絡%參數學習%凸優化%不確定性
패협사망락%삼수학습%철우화%불학정성
Bayesian networks%parameter learning%convex optimization%uncertainty
针对以往基于约束的贝叶斯网络（Bayesian networks，BN）参数学习方法在处理先验知识时未考虑知识的不确定性这一缺陷，本文为专家知识附加一个表示不确定性的概率。对所有约束，根据其存在与否生成一个组合，计算该组合的概率，并采用凸优化方法计算该组合条件下的参数估计结果。同时，为加速问题求解，将每个具体的凸优化问题分解为一系列可并行求解的子问题。在得到所有约束组合下的参数之后，依照概率加权思想得到参数估计的最终结果。最后，通过空地战场威胁态势评估模型，证明在参数学习过程中考虑知识的不确定性可有效改善先验知识错误时的 BN 参数学习效果。
針對以往基于約束的貝葉斯網絡（Bayesian networks，BN）參數學習方法在處理先驗知識時未攷慮知識的不確定性這一缺陷，本文為專傢知識附加一箇錶示不確定性的概率。對所有約束，根據其存在與否生成一箇組閤，計算該組閤的概率，併採用凸優化方法計算該組閤條件下的參數估計結果。同時，為加速問題求解，將每箇具體的凸優化問題分解為一繫列可併行求解的子問題。在得到所有約束組閤下的參數之後，依照概率加權思想得到參數估計的最終結果。最後，通過空地戰場威脅態勢評估模型，證明在參數學習過程中攷慮知識的不確定性可有效改善先驗知識錯誤時的 BN 參數學習效果。
침대이왕기우약속적패협사망락（Bayesian networks，BN）삼수학습방법재처리선험지식시미고필지식적불학정성저일결함，본문위전가지식부가일개표시불학정성적개솔。대소유약속，근거기존재여부생성일개조합，계산해조합적개솔，병채용철우화방법계산해조합조건하적삼수고계결과。동시，위가속문제구해，장매개구체적철우화문제분해위일계렬가병행구해적자문제。재득도소유약속조합하적삼수지후，의조개솔가권사상득도삼수고계적최종결과。최후，통과공지전장위협태세평고모형，증명재삼수학습과정중고필지식적불학정성가유효개선선험지식착오시적 BN 삼수학습효과。
Most of the previous efforts on parameter learning of BN are made ignoring the uncertainty of knowledge.To solve this problem,a probability value is attatched to each expert statement to depicit the uncer-tainty of the expert knowledge.The weight of each combination of these expert knowlegde is computed and the parameters under this combination are estimated following convex optimization framework.Each of these con-vex optimization problems is then decomposed into a series of sub problems which can be solved in parallel.Fi-nally,a weighted average is adopted to trade off the estimated result obtained by different combinations.The validity of the proposed approach is verified using a situation assessment model.
