论文部分内容阅读
本文在对Bayes网络的国内外研究现状进行深入分析的基础上，对Bayes网络的知识表示、推理、解释等基本理论和方法进行了系统的研究，并从理论上对其进行了扩展，对Bayes网络及其扩展模型在航空影像中房屋等目标的识别，以及图像中文本目标的检测与定位等方面应用进行了探讨。全文主要内容如下： 1．从图模型角度分析了随机变量的条件独立性质，讨论了Bayes网络知识表示的基本原理及性质，讨论了消息传播与消元推理方法的基本原理，在此基础上提出了一种基于扩展邻接树的消元推理算法。该算法使用扩展邻接树的深度优先确定消元次序，有效解决了选择消元次序的难题。 2．在分析Bayes网络解释机制的已有研究成果的基础上，提出一种关于Bayes网络推理结论解释的新机制。文中引入必要性和充分性因子，解释证据对推理结论的作用程度；引入概率分布变化方向的概念，用于判定证据对推理结论的作用方向，检测证据之间可能存在的冲突现象；通过定性和定量分析网络结构特征生成证据对推理结论的作用路径。通过应用实例的讨论，说明了该解释机制具有合理性。 3．在研究房屋等人造结构体的投影性质的基础上，提出了一种基于Bayes网络的感知组织算法，用于检测航空摄影图像中屋顶等目标。该算法包括提取边缘及线段、生成平行四边形、生成假设、检验假设等步骤，用Bayes网络推理实现信息融合，由Bayes网络学习实现了感知的自适应性。实验结果验证了算法的有效性。 4．针对大规模Bayes网络知识表示和推理的计算复杂度问题，提出了一种新的面向对象的概率图模型——对象概率模型(OPM)。该模型将Bayes网络分解成若干称为类的模块，每个模块中设置两个界面节点用于传递概率信息。OPM利用层次结构中所蕴含的条件独立性，有效降低了模型的构造和知识表示的复杂性。文中通过推广Bayes网络消元推理算法实现了OPM的推理机制。适当调节推理算法中的控制参数，就可有效控制OPM推理的计算复杂度。将OPM用于解决图像中文本的自动检测与定位问题，实验结果表明检测效果好、速度快。 5．对Bayes网络与确信因子模型作了对比研究。讨论了确信因子模型的理论基础，分析了确信因子模型的局限性，论证了Noisy-OR模型(Bayes网络的一种简化模型)的概率推理公式与确信因子模型的推理公式的等价性，从知识的表示、推理、获取三个方面论述了Bayes网络相对于确信因子模型的优势。