尾流是飞机飞行时的必然产物，对航空安全有重大威胁，还限制着航空效率和容量的提升，飞机尾流涡核的精准辨识是动态缩减尾流间隔的前提，目前晴空尾涡探测的主要工具是相干多普勒激光雷达（CDL）。针对使用激光雷达进行飞机尾流探测中受限于雷达时空分辨率和背景风场的影响导致的识别和反演尾流关键参数误差较大这一问题，提出一种在激光雷达探测数据基础上基于贝叶斯网络（BN）和均方误差（MSE）构建的尾涡参数反演模型。搭建大气背景风和湍流环境，并将其叠加到模拟的尾涡速度场上，得到用于训练模型的仿真数据集。实验结果表明：所提算法能够得到误差较小的参数反演结果（仿真算例中涡核位置偏差在2 m以内，环量偏差在5%以内）；在实际算例中，所提算法与传统算法相比，反演速度场均方误差显著降低（平均超过50%）。本研究可用于机场实时尾涡监测，对尾涡间隔标准制定有重要意义。

针对目前传统入侵检测系统难以得出网络攻击行为之间存在的关联关系问题, 以攻击图表示模型为指引, 提出一种基于贝叶斯网络的攻击事件智能发掘模型。本文以先验知识建立贝叶斯攻击行为关联图。基于属性相似度聚合网络攻击行为, 针对网络攻击场景设计高效的 Ex-Apriori算法发掘攻击行为间的关联规则, 并建立攻击行为组集。利用贝叶斯攻击行为关联图的参数对攻击行为组集进行计算, 实现对攻击事件的发掘。实验表明, 本模型能有效提取网络攻击事件及发现攻击路径, 为网络攻击事件的发现与应对措施提供理论支持和技术支撑。

化工储罐区存放多为易燃易爆的有毒危险化学物质, 一旦发生泄漏, 进而会引发燃爆事故, 后果将不堪设想。基于动态贝叶斯网络方法, 选取某LNG、LPG储罐区, 确定事故多米诺效应的演变过程、事故过程时间节点以及各层级间的影响作用, 借助贝叶斯计算软件分析, 提出动态贝叶斯网络多米诺效应分析方法, 对热辐射值进行二次计算, 运用设备损坏概率模型, 得到0~37.55 min、37.55~47.55 min、47.55~52.55 min和52.55~57.55 min四个时间段内各储罐多米诺事故扩展概率。考虑对单个以及多个储罐采取应急措施, 设置不同置信度分别对应分配不同程度应急救援力量使储罐达到安全状态的程度, 得到初始事故发生后在应急救援力量充足和应急救援力量有限情况下各事故储罐关键时刻事故发生概率。结果表明：在应急救援力量充足和应急救援力量有限情况下, 优先考虑对化工园区安全性影响最大储罐采取应急措施, 可大大降低化工园区燃爆风险, 提升化工园区安全性。结论为后续储罐区燃爆风险的评估提供理论依据, 为消防力量分配提供数据支撑, 为多米诺效应事故应急决策提供指导作用。

作战方案评估是作战辅助决策的关键环节, 用于定量评估规划的作战行动达成预定作战目标的程度。现有的作战方案评估方法主要基于经典的多属性决策理论, 针对这些方法在评估指标赋权时单方面偏重主观或客观因素的局限, 提出一种基于潜在权重自适应分配的作战方案评估模型, 该模型在贝叶斯网络的框架下实现了加权和评估策略, 可依据给定的样本集与样本标签, 以非线性方式融合主客观两方面信息, 从而自适应分配指标潜在权重, 并利用贝叶斯方法的后验推断机制计算新方案的评估结果。实验也验证了模型的有效性。

现代战争中的电子战指挥相较于传统作战方式需要考虑的因素更多、更复杂。借助动态贝叶斯网络(DBN)的动态可推理性建立了一种电子战指挥决策定量辅助决策模型, 将传统作战决策中的一维定量分析转化为动态多维定量推理分析。利用影响电子战作战效果的各类因素进行每个作战时刻的贝叶斯网络(BN)构建, 结合节点之间的条件概率矩阵, 使用隐马尔可夫(HMM)模型推理算法实现了电子战辅助决策的动态推理。对实际演习算例进行模型仿真和分析, 得出对电子战指挥员切实有效的指挥决策建议, 表明了模型的有效性。

针对目前考虑不确定因素的测试性模型存在建模难度高、结构复杂、层次化建模困难、学习能力弱、不确定信息表达形式差的问题，面向电子设备提出了一种基于贝叶斯网络的测试性分层建模方法。以原有的贝叶斯网络模型与多信号流图模型为研究对象，对二者的参数、结构特点及优势短板进行分析，根据二者的互补性与测试性建模需求对贝叶斯网络模型进行改进。模型以故障、信号关系替代故障、测试关系，以信号节点间的连接表征故障传递，利用电路结构与层次划分确定模型结构，采用贝叶斯方法确立模型参数，运用贝叶斯网络推理能力对测试性指标进行计算。以放大滤波电路为例建立模型，通过模型计算测试性指标，并进行了证据处理测试，通过对比多信号模型可知，模型测试性指标计算准确、证据处理能力强，验证了建模方法的有效性与实用性。

在错综复杂、瞬息万变的作战环境中,敌方干扰及传感器性能局限等因素易导致获取的战场信息不充分。为使无人机在信息不充分条件下具备威胁评估的能力,提出基于小数据集的贝叶斯网络(BN)威胁评估建模方法。从小数据集条件下BN结构学习和参数学习的两个问题入手,利用Bootstrap方法获取的约束矩阵作为评分函数上的约束项,提出一种基于小数据集的BN结构学习算法,并提出一种基于区间先验约束的BN参数学习算法。仿真结果表明,与传统BN学习算法相比,本文提出的小数据集条件下BN学习算法在UAV威胁评估建模中具有更高准确性和可用性。

针对直觉模糊贝叶斯网络模型在对网络证据节点的信息描述中存在隶属度和非隶属度单一且未能充分考虑犹豫度的问题, 提出了基于对偶犹豫模糊贝叶斯网络的威胁评估方法。首先, 将直觉模糊集扩展到对偶犹豫模糊集, 使得对节点信息的模糊性和不确定性有了更贴近实际和更全面准确的描述; 其次, 通过改进的Dα算子将对偶犹豫模糊集中犹豫度重分配给隶属度和非隶属度并作为网络证据节点的输入; 然后, 分析了影响威胁评估的因素并建立了贝叶斯网络模型; 最后, 根据实时战场数据对目标威胁度进行结果预测与分析, 仿真结果表明, 该方法可以准确有效地评估出敌方对我方的威胁度。

为了更有效地评估3D设备观测导致的视觉疲劳, 首次采用动态贝叶斯网络对3D观测者的立体视觉疲劳概率进行计算。在构建有向无环图的过程中考虑立体视觉中的多种因素与疲劳现象之间的相互关系, 在疲劳节点上加入生理特征节点与动态因素进行合理评估, 使得各节点的状态与贝叶斯网络节点的状态概率一一对应, 为立体视觉疲劳概率评估提供了系统的方案。结果表明, 与当前MOS方案相比, 采用动态贝叶斯网络的方案更为全面地分析了观测者的疲劳状态, 所评估的疲劳概率比观测者的主观结果更精确, 更为接近实际情况。

针对传统“是非制”评判方法过于粗略以及导弹测试数据的不确定性问题, 将导弹状态重新细划为“良好”、“较好”、“堪用”、“拟故障”和“故障”5个等级, 提出了基于云模型和贝叶斯网络的导弹状态评估方法。结合云模型获得性能测试参数与各个状态等级的隶属关系, 采用贝叶斯网络建立多参数状态融合的评估模型, 并且引入DS/AHP方法进行条件概率赋值以减少专家推断过程中的不确定性。