论文部分内容阅读
由于一些系统的观察状态受到多种随机因素的影响，同时这些影响因素之间存在着某些依赖关系，可见这种系统具有非线性、不确定性和多参数的特点。因此在为此类系统构建状态预测模型时，就要求模型能够充分表达出系统的这些特点。
Bayesian网络和动态Bayesian网络是两种基于概率和统计理论的决策分析工具，具有独特的不确定性知识表示和丰富的概率表达能力。动态Bayesian网络是对Bayesian网络在时序过程建模方面的扩展，其随机变量集合可以随时间不断演化，是复杂随机过程的一种压缩表示，能很好地表达和处理多变量及变量之间的依赖关系。因此针对如何利用动态贝叶斯网络来解决上述系统的预测问题，本文着重研究了以下几个方面的问题：
首先，本文给出了一种适用于具有非线性、不确定性系统状态预测的动态Bavesian网络模型。在该模型中，不仅体现了影响因素和要观察状态之间的关系，还体现了相邻时刻影响因素之间的依赖关系。本文中最终给出了完整的模型构造步骤及方法。
其次，为了使该模型能够处理具有可变性状态转移概率的系统，本文构造了两个因子：维持因子和转移因子。通过引入这两个因子，使该模型具有了更广泛的适用性。
最后，基于已构造的状态预测模型及Gibbs采样方法，本文分别提出了单步和多步状态预测算法。算法充分利用了影响因素之间的依赖关系，从而使得预测结果更合理有效。同时，对于单步预测，本文提出了节点间支持度的概念，并给出了其计算方法和基于它的证据传播算法。该算法能够用于修正节点的初始预测结果。