[发明专利]一种基于贝叶斯网络的无线认知网络知识库构建方法

摘要

一种基于贝叶斯网络的无线认知网络知识库构建方法，利用感知到的网络性能参数构建贝叶斯网络模型，从而得到参数之间的依赖关系，并将这种条件概率依赖关系转化为无线认知网络中的知识存储在知识库中指导智能决策过程。构建知识库的过程主要包括感知网络性能参数、参数离散化分析、构建贝叶斯网络模型、知识转化构建知识库。通过感知过程收集网络性能参数，并对数据进行离散化分析；通过结构学习和参数学习过程，利用历史数据构建贝叶斯网络模型；将贝叶斯网络中参数之间的条件依赖关系转化为知识，实现知识库的构建和更新。

主权项

一种基于贝叶斯网络的无线认知网络知识库构建方法，包含网络环境感知、性能参数分析、创建贝叶斯网络模型和知识转化四个过程，其特征在于：网络环境感知过程通过读取协议栈获取当前网络性能参数值，其中，这些参数值作为网络环境判断依据决定是否进行智能决策，同时，这些参数值被作为历史数据存储起来用于构建知识库；性能参数分析过程是对收集到的网络性能参数值进行离散化分析，其中，网络性能参数值基本都是连续的，为构建贝叶斯网络模型需要进行离散化处理，参数离散化主要基于对参数的取值范围和知识表达的准确性考虑，通过离散化将网络性能参数划分成不同的等级，网络性能参数一般离散化为5～8个等级；创建贝叶斯网络模型包含如下步骤：1)感知的网络性能参数定义为贝叶斯网络节点，网络性能参数的数量为贝叶斯网络中节点的个数；2)网络中的有向箭头表示节点之间的依赖关系即网络性能参数之间的条件依赖关系；3)利用历史数据进行结构学习，结构学习采用基于搜索打分的K2算法，打分函数为： P ( B S , D ) = C Π i = 1 n max [ Π j = 1 q j ( r i - 1 ) ! ( N ij + r i - 1 ) ! Π k = 1 n N ijk ! ] } 其中Bs表示网络拓扑结构，D表示历史数据，n为贝叶斯网络中节点个数即网络性能参数数量，ri为变量xi的可能取值数目，Nij表示变量xi对应父节点xj可能取值的总数目，Nijk表示变量xi在对应父节点xj时取值为k的数目，qi表示变量xi可能的父节点数目；通过局部爬山搜索算法选择父节点，对所有可能的网络结构进行打分，最后分数最高的网络拓扑结构即为最优解；4)参数学习过程是指基于贝叶斯网络的拓扑结构，通过对历史数据的计算获得变量之间的依赖关系值；参数学习过程采用极大似然概率的方法计算每个节点的依赖关系，得到其中的概率值；概率值的定义为： p [ x i = k | pa i = j ] ≈ N ijk N ij max L = 1 N Σ i = 1 n Σ D log p ( x i | Parent ( x i ) , D ) 其中p表示条件概率值，pai为变量xi的父节点，Parent(xi)为变量xi的父节点集合，从定义中表明使用对数概率的方式表示节点之间的概率依赖关系；知识转化过程是指将贝叶斯网络中网络性能参数之间的依赖关系和条件概率值转化为无线认知网络中的知识从而完成知识库的构建；在知识库已经存在的情况下，也可以通过这个过程实现知识库的更新操作。