基于双层贝叶斯网增强学习机制的网络认知算法

来源 :计算机应用研究 | 被引量 : 1次 | 上传用户:fskfxx
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为提高网络认知的准确度,采用双层贝叶斯网络模型对网络参数进行层次化描述;采用强化学习推理算法对模型的条件概率表进行分级和学习,删除冗余信息,更准确地反映网络参数间的依赖关系,保证网络认知算法的准确度。经仿真分析,证明算法能够更好地描述网络参数的依赖信息,具有较高的推理准确度。
其他文献
针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷,提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构,通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力,并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系,每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明,提出的算
针对信道中数据丢失导致图像恢复质量严重受损问题,提出将方向插值引入到基于图像分场描述编码的错误掩盖算法。将每帧图像分为两场独立编码传输,丢失一场数据时,通过改进Sobel算子计算正确接收的另一场图像内部边缘,沿边缘方向插值恢复出丢失的场。实验结果表明,应用这种基于像素行交织的错误掩盖算法后,图像主观恢复质量和峰值信噪比均较现有方法有显著提高。算法计算复杂度低,与H.264编码标准兼容,适于实际工程
极速学习机(ELM)算法只对平衡数据集分类较好,对于非平衡数据集,它通常偏向多数样本类,对于少数样本类性能较低。针对这一问题,提出了一种处理不平衡数据集分类的ELM模型(ELM-CIL),该模型按照代价敏感学习的原则为少数类样本赋予较大的惩罚系数,并引入模糊隶属度值减小了外围噪声点的影响。实验表明,提出的方法不仅对提高不平衡数据集中少数类的分类精度效果较明显,而且提高了对噪声的鲁棒性。
针对最优相互避碰方法在人群仿真中对虚拟人感知行为缺乏考虑,以及在人群密度较大时导致的拥塞行为,提出一种改进的局部避碰方法。首先,在已有虚拟人感知模型的基础上,加入虚拟人视觉随周围人群的密度而变化的规则,以及听觉感知对避碰行为的影响;其次,引入了有区别的避碰责任机制,使虚拟人在不同情况下采用不同的避碰行为;然后,加入一种拥塞响应规则缓解人群拥塞现象。最后通过多组实验与原方法进行对比,实验结果表明改进
针对稀疏信号的准确和实时恢复问题,提出了一种基于神经动力学优化的压缩感知信号恢复方法。通过引入反馈神经网络(recurrent neural network,RNN)模型求解l1范数最小化优化问题,计算RNN的稳态解以恢复稀疏信号。对不同方法的测试结果表明,提出的方法在恢复稀疏信号时所需的观测点数最少,并且可推广到压缩图像的恢复应用中,获得了更高的信噪比。RNN模型也适合并行实现,通过GPU并行计
在以往的多态shellcode检测方法中,基于模拟的动态检测方法主要针对多态shellcode的解码器部分进行检测。尽管这样的检测方法可以在一定程度上检测出目标,但其性能和抗攻击性较差。为了进一步提高检测准确率并降低误报率,在已有的基于模拟的动态检测方法基础上进行了改进,引入了shellcode行为模式匹配机制,按照条件将多态shellcode解码后的行为与常见的攻击行为模式进行匹配,以判断并定位
聚合签密能聚合多个密文并提供批量验证,极大降低了信息传输的功耗,因此在大规模通信的多对一模式下非常适用。但是传统的聚合签密只能对密文进行部分聚合,不能最大限度地发挥出聚合功能的优越性。设计了一个密文长度固定的全聚合签密方案,实现了密文长度固定,而解密者可以通过特定解密操作将多个明文消息依次恢复出来。方案极大地提高了通信效率,签密文长度仅为|G1|,且与用户数量无关,同时方案满足机密性、不可伪造性和
针对多输入多输出系统传输速率低误码率高的问题,提出基于动态功率分配的干扰对齐方法。该方法根据信道矩阵的迹给每个发送端动态的分配传输功率。同时,利用干扰对齐来减少其他发送端对接收用户的干扰。该方法通过联合优化功率分配和干扰对齐,最终提高了系统传输速率,降低了误码率。数值分析表明,该方法与等功率分配下的干扰对齐方法相比,系统的传输速率提高3~7 bps/Hz,同时误码率减少30%左右。
基于距离和基于密度的离群点检测算法受到维度和数据量伸缩性的挑战,而空间数据的自相关性和异质性决定了以属性相互独立和分类属性的基于信息理论的离群点检测算法也难以适应空间离群点检测,因此提出了基于全息熵的混合属性空间离群点检测算法。算法利用区域标志属性进行区域划分,在区域内利用空间关系确定空间邻域,并用R*-树进行检索。在此基础上提出了基于全息熵的空间离群度的度量方法和空间离群点挖掘算法,有效解决了混
为解决隐写分析中富模型的特征维数较高、冗余较大、不便于高效分类的问题,提出了一种基于蚁群聚类算法的降维方法。首先利用蚁群聚类算法求解特征簇的簇中心,然后把簇中心作为新的特征,提取新特征的有效部分用集成特征进行分类。实验结果表明,利用蚁群聚类算法对高维特征进行降维,可以有效去除冗余特征,提升特征的分类效果。