风能是一种清洁能源，有望带来巨大的社会和环境效益，在中华民国，政府支持和鼓励将风能发展作为向可再生能源转变的一个要素。 然而，近年来，在海上风力发电建设以及伴随着海上风力发电场的快速推广和发展的相关生产过程中出现了海上安全问题。 因此，有必要对海上风电场生命周期的各个阶段进行风险评估。 本文报告了基于动态贝叶斯网络的风险评估模型，该模型执行海上风电场海上风险评估。 这种方法的优点是贝叶斯模型表达不确定性的方式。 此外，此类模型允许在虚拟环境中模拟和重新制定事故。 这项研究有几个目标。 探索了海上风电项目风险识别和评估理论与方法，以识别海上风电场生命周期不同阶段的风险来源。 在此基础上，建立了带有Genie的动态贝叶斯网络模型，并对其在海上风电场生命周期不同阶段进行风险分析的有效性进行了评估。 研究结果表明，动态贝叶斯网络方法可以有效，灵活地进行风险评估，以响应海上风电建设的实际情况。 历史数据和几乎实时信息相结合，以分析海上风电建设的风险。 我们的结果有助于讨论有关安全和降低风险的措施，这些措施一旦实施便可以提高安全性。 这项工作对于海上风电的安全发展具有参考价值和指导意义。

对作战行动方案进行效能评估实现了为指挥员提供决策辅助。分析了作战行动方案中 作战行动之间的依赖关系，建立了作战行动方案效能模型和相应的贝叶斯网络，用贝叶斯方法对作 战行动方案进行了效能评估和优选。以某联合登岛作战为案例的实验表明，该方法较好地处理了 作战行动方案的不确定性和复杂性，评估结果可以为指挥员的决策提供参考。

朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.

将课程教学资源融合到学生模型构建中，描述了包括领域知识拓扑结构的建立、条件概率表学习算法的推理的详细过程，最终得到了学生模型中关于章节知识项的贝叶斯网络结构图，并通过一个实验系统对个性化教学系统中学生模型建构的整个框架的可行性进行了验证。

动态贝叶斯网络（DBN）广泛应用于各种生物网络的建模，包括基因调控网络。 由于学习静态贝叶斯网络的几个 NP-hardness 结果，大多数学习 DBN 的方法都是启发式的，使用局部搜索（如贪心爬山）或元优化框架（如遗传算法或模拟退火）。 我们提出了 GlobalMIT，这是一个工具箱，用于使用最近引入的基于信息理论的评分指标互信息测试 (MIT) 来学习全局最优 DBN 结构。 在 MIT 下，可以在多项式时间内高效地实现全局最优 DBN 的学习。 该工具箱是在 Matlab 中实现的，还有搜索引擎的 C++ 独立实现以提高性能。 该项目由澳大利亚维多利亚州莫纳什大学 Gippsland 信息技术学院的生物信息学和系统生物学小组进行。 该项目由 Vinh Nguyen 管理。 最新版本的工具箱可在以下网址找到： http : //code.google.com/p/globalm

伴随流式数据处理需求而产生的复杂事件处理技术，在处理具有多样性和流式特征数据方面性能表现突出，被广泛应用于复杂事件大数据处理系统中。针对复杂事件大数据处理系统测试需求，提出一种基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法，该方法以部分真实数据中的复杂事件结构关系及概率分布特征构建贝叶斯网络预测模型，生成具有真实数据结构特征与分布特征的复杂事件测试数据集。实验结果表明，提出的方法具有可行性。

属性是实体的重要组成部分，因此实体属性的获取是知识图谱构建 的关键步骤。由哈尔滨工业大学社会计算与信息检索研究中心推出的开放 域中文知识图谱《大词林》是通过从文本中自动挖掘实体及实体间的关系 而构建而成，因此为《大词林》中缺少属性的实体添加属性也成为必须研 究的问题之一。本文提出了一种解决方案：基于贝叶斯网络的概率统计模 型，通过上位词概念与属性之间的依赖关系和实体与上位词概念的依赖关 系来自动的为《大词林》中没有属性的实体添加属性，并与相似度计算方 法对比证明了其有效性，可大规模提高《大词林》的属性覆盖率。

贝叶斯网络用于分类和因果关系分析 (1) Naïve Bayesian networks (2) Tree augment Bayesian networks, et al. (3) PC (Spirtes et al.,2000) , IC(Pearl,2000) algorithm

简单明了的贝叶斯网络介绍，如果你是想认真学习，有贝叶斯基础的，都可以阅读。书中从简单的概率论到各种实际应用，都是不错的讲解，有兴趣的可以下载阅读。

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。