基于贝叶斯理论的通信网络数据处理技术讨论在网络数据传输的不确定性问题处理领域,以贝叶斯理论为代表的概率方法是目前学术界讨论的热点问题之一。本文就网络数据处理技术中涉及的若干不确定性问题展开探究讨论,主要针对以无线传感器网络为代表的无线网络在数据传输和压缩融合过程中涉及的几个典型问题,在贝叶斯理论框架下寻求相应的解决方案和模型算法,并给出理论和实验验证。本文在解决贝叶斯理论建模时将目光投向了贝叶斯网络(Bayesian network).作为人工智能算法的主要讨论热点之一,贝叶斯网络具有相当深厚的理论积淀并已经在一些领域开展了较为成功的运用。但另一方面,作为一项依旧处于进展阶段的技术,贝叶斯网络本身还有许多值得推敲和改进的方面。所谓工欲善其事,必先利其器,正是由于这个原因,本文首先就贝叶斯网络提出了改进的方法,使其更加适用于无线传感器网络的使用环境,在此基础之上,提出了网络数据协议关键字段的前向纠错方法和业务净荷的容错压缩重构算法。本文讨论内容包括以下几个方面：1、利用信息论的观点,从最大熵原理的角度全面分析了网络传输数据具有的内在冗余性特征。指出提高通信质量和效率的关键在于有效利用传输数据的冗余性。从信息论中信息熵和条件熵的角度,分析了数据取值的非均匀性和数据间的统计关联性两者与不确定度之间的关系,进而指出这两者是在数据通信过程中天然存在的冗余。在此基础上提出了“如何利用这种天然存在的冗余提高通信质量和效率”这一本文主要讨论的核心问题。2、在贝叶斯理论框架下,对网络数据传输中的不确定性问题进行概率建模,并从理论上证明了不同概率空间中贝叶斯推理等价的条件,为建立概率模型时变量的选择奠定了理论基础。在对讨论的脉络进行梳理的基础之上,着重讨论了网络传输数据的不确定性问题在贝叶斯理论框架下的一般性建模,并就贝叶斯网络在先验性概率表达和网络学习以及概率推理等方面问题进行了讨论,在讨论基础上,结合贝叶斯推理在不同概率空间的表现形式,从理论上证明并详细分析了联合概率及其边缘概率模型下推理的等价条件,为工程化应用提供了指导思路。3、针对目前贝叶斯网络学习算法存在的学习效率不高的问题,提出了三种快速的贝叶斯网络学习方法。首先,针对静态网络的情况,给出了一种新型的混合式结构学习算法(SBSA)。该算法从分析随机变量互信息的角度入手,给出了构造目标网络结构空间边界的方法,并做出了完整的证明,实验结果表明,在结构边界约束的基础上执行搜索算法与同...
