贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.     

基于贝叶斯网络的DC-DC电源故障不确定性分析

为解决DC-DC电源模块故障诊断中不确定性的相关问题,研究了电源模块故障不确定性产生的原因,同时对不确定性信息类型与推理方法进行了研究。利用贝叶斯网络对DC-DC电源模块故障产生原因与故障模式进行建模描述,经过BIC与K2评分算法训练完成后,可以进行不确定性推断。在故障概率方面分析了模块中的不同故障部件对电源模块故障的影响,利用MATLAB平台根据模拟数据对不确定性模型进行了分析,验证了基于贝叶斯网络的故障预测不确定性模型的有效性。     

基于RS优化的电力变压器故障诊断方法

针对现有的故障诊断技术应用在电力变压器故障诊断中存在的冗余信息过多,诊断结果不准确等问题将粗糙集理论与概率神经网络相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再经概率神经网络进行故障模式分类,可简化故障诊断网络规模,且相比于单一的概率神经网络的诊断方法,能够更精确地诊断出变压器故障类型,其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

一种基于模糊逻辑的贝叶斯最优学习器

针对变压器故障信息中存在有不完整、不确定及模糊性的知识,提出一种基于模糊逻辑和贝叶斯最优分类器结合的模糊贝叶斯分类器。该方法首先利用观察信息的模糊隶属度函数建立贝叶斯最优分类器中假设的后验概率,进而计算各类故障信息分类的结果并进行加权平均后得到最佳的诊断结果。应用和研究表明该方法能解决贝叶斯分类器中模糊信息获取的“瓶颈”难题,具有很强的学习能力,是一种有效的变压器绝缘故障诊断方法。     

基于贝叶斯网络模型的遥感图像数据处理技术

贝叶斯网络是一种不确定性知识的推理和描述技术,针对遥感数据的复杂性和不确定性,该文提出了一种基于贝叶斯网络模型的遥感数据推理和描述技术。文中利用 2002年春季中-日亚洲沙尘暴项目的土地利用数据(LU),沙尘监测数据(TSP),卫星 AVHRR时间序列 LST/Albedo数据,采用贝叶斯网络模型进行了知识描述和信息推理预测实验,取得了较好的效果。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

基于分布式贝叶斯网络的多故障诊断方法研究

针对复杂系统存在的不确定性、多故障以及传统贝叶斯网络诊断实时性差等问题,提出一种基于分布式贝叶斯网络的故障诊断方法。该故障诊断方法将大型、复杂系统故障诊断模型抽象为贝叶斯网络模型,并将其分解为若干贝叶斯网络子系统,基于消息传播机制完成多个子系统局部推理以及子系统间重叠子域紧凑的消息传播,实现分布式贝叶斯网络的故障推理与诊断。实验结果表明,该故障诊断方法可在复杂、不确定性系统中完成单故障和多故障推理、诊断任务,与传统贝叶斯网络故障诊断方法相比,该方法在推理速度上的优势尤为突出,具有广泛的应用前景。     

变精度粗糙集与贝叶斯粗糙集图像分类研究

在经典粗糙集分类模型的基础上利用变精度粗糙集模型,引入近似区分矩阵的概念,提出了一种基于变精度粗糙集的图像分类模型及其分类算法,在变精度粗糙集分类模型的基础上利用贝叶斯粗糙集模型,通过引入全局相对增益函数给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于贝叶斯粗糙集的图像分类模型及其分类算法.实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集图像分类方法性能良好,分类准确和高效.     

基于动态贝叶斯网络的战斗目标综合推理识别

针对空战战场环境下的目标可靠识别,提出了基于动态贝叶斯网络的战斗目标综合推理识别方法.分析了目标属性的多层次及状态变量关系,提出了层次化的战斗识别动态贝叶斯网络拓扑结构及其参数设定方法,并运用时间片联合树算法进行不确定性动态推理,实现动态的目标属性判断与识别.仿真结果给出了目标的多层次属性信息,验证了模型的有效性.     

基于粗糙集理论色情信息过滤研究与实现

把粗糙集理论运用到互联网上色情信息的监控,通过对特征项的属性约简和值约简,大大降低了信息的冗余度,提高了分类的效率和准确率。最后应用简单向量距离分类算法和贝叶斯算法实现对色情文本信息的过滤,并进行试验。     

基于弱关联挖掘技术的电网故障自动诊断研究

针对电网故障进行诊断的过程中,故障信息存在不完整或不确定性,甚至存在关键信息丢失的情况,造成故障诊断难以得出正确结论的问题,提出一种基于弱关联挖掘技术的电网故障自动诊断方法。首先进行支持度计算,得到电网故障的表述参数,并将电网故障类别看作是贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,对各父节点的先验概率及各子节点的条件概率进行计算,完成对电网故障的自动诊断。仿真实验结果表明,采用所提方法对电网故障进行自动诊断,正确性高,容错性好,实用性强,具有很高的诊断精度。     

面向电力变压器故障集成诊断系统

针对变压器故障呈现的复杂性,提出建立一种面向电力变压器故障的集成诊断系统。整个系统诊断模块以集成诊断形式出现,利用决策融合网络将基于不同诊断机理与方法的诊断子模块进行融合,即是将油中溶解气体分析与常规电气试验的结论结合起来,并充分借鉴现场的运行、诊断和维修经验,因而具有较强的知识表示及不确定性处理能力。实验证明该系统提高了诊断确诊率,并给出系统诊断的实现过程。     

智能诊断方法在电力变压器故障识别中的应用研究

随着人工智能技术不断发展,很多学者把传统DGA方法和智能算法相结合实现对电力变压器的故障诊断,采用DGA技术诊断电压器故障提高了诊断精准度。文章通过对智能诊断方法进行研究,在一定程度上可以避免变压器发展工作故障,确保变压器能正常运行,并且保证供电稳定,为大型电网建设奠定基础。变压器经过长时间运行,容易引发故障,精准识别变压器故障可以减低变压器故障发生率,通过对变压器引发故障的原因进行分析,结合科学的诊断方法,通过构建贝叶斯模型,改变传统识别方法,结合人工智能网络技术,构建智能诊断模型,提高识别准确率,并提供新型的诊断思路,通过分析故障原因,提高实时在线电力变压器故障诊断精准率。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

基于贝叶斯网络的电子商务货源信息检索模型

贝叶斯网络是一种不确定性知识表达和推理工具,是解决信息检索等相关领域问题的有效手段。考虑到货源信息和贝叶斯网络的特点,设计一种基于贝叶斯网络的货源信息检索模型。该模型利用一组货源信息样本文献来描述查询要求和待检测文献,通过计算它们之间的相似度,对通用搜索引擎的返回结果进行排序,从而检索到用户所需的货源信息。实验数据结果表明,贝叶斯网络模型比信任度网络模型和推理网络模型的检索效果更好。所以,在进行大规模的电子商务货源信息搜集时,基于贝叶斯网络的货源信息检索模型是行之有效的。     

基于粗糙集理论的发射机故障诊断研究

研究应用经典Pawlak粗糙集理论从发射机监控数据中提取有效信息的方法,给出了对故障监测数据表的属性约简算法,输出故障决策规则,以中波发射机“输出功率”故障为例,进行了算法推演与实例仿真,证实所建故障诊断系统科学合理,高效可行.从变论域的角度出发,引入了决策粗糙集的启发式理论,解决了故障数据先验分布的容错问题,实现预诊断,为完善发展发射机人工智能监控提供了一个新思路.     

基于贝叶斯网络的TSW2500型短波发射机故障诊断方法

文章提出了一种基于贝叶斯网络的短波发射机故障诊断方法,通过采集TSW2500型短波发射机的故障数据,并结合已知的故障信息和系统知识构建故障诊断模型,以快速、准确地识别可能出现的故障。实验结果表明,与传统方法相比,基于贝叶斯网络的方法能够更快速地识别故障并提供有用的诊断信息,具有较高的可行性和准确性。这种方法在实际应用中有望帮助工程师迅速定位和解决短波发射机故障,提高设备可靠性和维护效率,具有重要的应用价值。     

针对RDF概率图查询的基数估计方法

资源描述框架图查询中,准确估计查询结果的大小是查询优化器中的关键步骤.已有方法忽略了该图自身的不确定性以及子查询间的关联关系,无法有效估计结果.针对该问题,本文提出一种基于贝叶斯模型的基数估计方法.该方法引入贝叶斯网络模型,挖掘出子查询内的属性依赖.同时,在这些属性依赖的基础上提出子网拼接方法,计算出子查询间的影响因子.最后,利用以上信息准确估计出任意查询结果集的基数.实验表明:与已有方法相比,本文方法的准确性提高15%以上,性能没有大幅度下降.     

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散化标准制作训练数据集合;然后使用训练数据集合对贝叶斯网络进行结构学习学得贝叶斯网络结构,以及参数学习学得与贝叶斯网络结构匹配的条件概率表;最后加入附加信息计算出每种降水粒子类先验概率,与贝叶斯网络结构和条件概率表共同组成贝叶斯网络分类器.训练好的贝叶斯网络分类器根据最大后验概率准则完成对测试数据的降水粒子分类,与模糊逻辑算法对比评价结果.实验证明:该方法能有效区分不同的降水粒子得到准确的降水粒子分类结果.     

基于动态云贝叶斯网络的舰艇防空目标威胁评估

针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型。首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计算法学习网络参数;最后,利用联合树算法对动态云贝叶斯网络进行推理评估。仿真结果表明,该模型能够有效的对观测信息进行威胁评估,具有合理性和可行性。