一种基于贝塔分布和贝叶斯估计的软件行为预测方法技术

本发明专利技术公开了一种基于贝塔分布和贝叶斯估计的软件行为预测方法，用于在给定行为训练数据下，每个数据都可以对模型造成大幅影响，且模型无需收敛到一个定值，并以此预测下一次二值行为，达到良好的模型训练和行为预测效果。本发明专利技术基于概率分布、贝叶斯估计、隐马尔科夫模型的模型预测技术，完成了在数据量小，模型变化大的情境下进行模型训练和预测的功能。此工具使用隐马尔科夫模型对情境进行建模描述，然后选用了贝塔概率分布，并在使用贝叶斯理论的基础上，实现了单个数据更新模型的功能，且通过设置前提性先验数据，实现了在内在规律符合贝塔分布的基础上，模型可以根据实际情境以及前提性先验数据大幅更改的功能。本发明专利技术就可以达到在给定二值行为训练数据下训练得到单数据变化模型并预测下一次行为的效果，扩展了模型训练软件的适用对象。

【技术实现步骤摘要】
一种基于贝塔分布和贝叶斯估计的软件行为预测方法
本专利技术涉及人工智能
，一种基于贝塔分布和贝叶斯估计的软件行为预测方法。
技术介绍
当前，大多数模型训练软件或算法都是基于大量数据，经过多次迭代、拟合、学习的过程，最终数据收敛，从而获得一个概率为定值的模型，比如神经网络算法、聚类算法、最大期望算法等等，而这样训练的前提是默认大量数据都指向一个稳定的、概率不变的模型。所以，这样的主流模型训练软件或算法就存在一个缺失，即它不能用于模型不断变化且不趋向于收敛的情境。这样的情境具有两个特点，首先，指向稳定的、概率不变模型的数据量少，极端情况下甚至可能只存在一个；第二，模型在变化的过程中虽然存在内在的规律、轨迹，然而经由单个数据更新发生的变化很大。所以，在既不存在大量数据、模型也并不明确具有可以收敛的性质这样的情境下，无法使用现有的模型训练方法来获得一个收敛的、稳定的模型。贝叶斯估计通常需要经过四个步骤：假设，将待估计的参数看作符合某种先验概率分布的随机变量，估计方式，通过观察样本，将先验概率密度通过贝叶斯规则转化为后验概率密度。概率密度估本文档来自技高网...

【技术保护点】
1.一种基于贝塔分布和贝叶斯估计的软件行为预测方法，其特征在于：/nS1.对软件行为数据进行预处理，获得软件行为轨迹；/nS2.使用软件行为轨迹逐步训练贝塔分布，软件行为轨迹可以分解为连续的单次二值行为，具体针对软件的单次二值行为，构建贝塔分布训练算法，即：/n首先，建立一个贝塔概率分布，设有两种事件A和B，它们是互斥的，即A发生会导致B不发生，B发生会导致A不发生，且A和B至少会发生一个，设s

【技术特征摘要】
1.一种基于贝塔分布和贝叶斯估计的软件行为预测方法，其特征在于：
S1.对软件行为数据进行预处理，获得软件行为轨迹；
S2.使用软件行为轨迹逐步训练贝塔分布，软件行为轨迹可以分解为连续的单次二值行为，具体针对软件的单次二值行为，构建贝塔分布训练算法，即：
首先，建立一个贝塔概率分布，设有两种事件A和B，它们是互斥的，即A发生会导致B不发生，B发生会导致A不发生，且A和B至少会发生一个，设sk是第k次A发生的概率，rk是第k次A发生概率的概率，rk满足贝塔概率分布，那么有：
p(sk＝1|Sk-1)＝∫p(sk＝1|rk)p(rk|Sk-1)drk
p(sk＝1|Sk-1)＝∫rkp(rk|Sk-1)drk
其次，经过软件行为轨迹训练，设α是A发生的概率保持不变的概率,p0是初始化时rk发生的概率，最终得到单个软件行为预测的贝塔概率分布，即：
p(rk|Sk-1)＝αp(rk-1|Sk-1)+(1-α)p0(rk)
S3.以过往软件单个同样行为为先验值，构建先验值优化模型算法，即：
在已经建立好的贝塔概率分布模型之上，加入先验值信息，假设先验值成立的概率为p(experim...

【专利技术属性】
技术研发人员：唐剑，赵亮，唐艺，浦戈光，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：北京;11