广义因果理论的基于模型的诊断

最近,许多学者意识到了将因果关系这一概念应用于基于模型的诊断领域的重要性。然而,他们的研究只局限于简单因果理论。文中提出的广义因果理论包容了更多的信息。文中指出：广义因果理论的诊断空间小于等于相应简单因果的诊断空间。并给出了当待诊断系统的模型为广义因果理论时的基于模型的诊断、基于模型的实质诊断等概念,论证了基于模型的实质诊断与本原蕴含／蕴含式的直接关系,从而将文中的理论结果与实现联系起来。文中进一     

基于扩展知识空间的诊断模型

传统的诊断模型并没有考虑到受测者在测试过程中存在着非理性的失误,但是在实际测试中,这却是影响学生测试结果不可忽略的因素.已有的诊断模型将知识空间和诊断相结合,获得受测者的知识状态.但随着测量理论的的不断发展,人们越来越关注受测者的技能掌握水平.将诊断运用到扩展知识空间中,提出一种扩展知识空间中的学习诊断模型,该模型使用...     

梯形模糊因果图及归一化研究

因果图理论是一种基于概率论的推理方法。文章在分析因果图理论发展和存在的问题基础上，将模糊数学引入因果图理论，即模糊因果图，从而可以克服因果图分析中概率难以精确赋值的缺点，将因果图理论应用扩大到了模糊领域。文章主要对事件概率为梯形模糊教进行讨论，提出了模糊因果图的算子，得到了模糊条件概率的计算公式，讨论了模糊概率的归一化方法。最后，以核电站的一个子系统为例进行仿真实验，实验结果与实际一致，归一化方法可行。研究表明：模糊因果图能有效地用于故障分析，比原来的因果图方法具有更大的灵活性和适应性.     

序贯诊断最佳测试的求解

本文研究故障诊断中的测试选择问题,首先,作者讨论了选择最佳测试的一般原则,在此基础上,导出了一种扩展的最佳测试求解策略,该策略不仅适用于因果链也适用于因果网络,此外,作者也给出一种启发式”一步前瞻”的测试求解方法。     

汽轮机故障诊断的因果网络群智能算法模型

在利用概率因果网络模型进行汽轮机故障诊断过程中,传统的基于简约覆盖理论的求算方法不能直接得到诊断问题的解,而且当故障节点较多或网络层次较多时,存在着"组合爆炸"、计算量呈指数速度增加等问题;对此,基于群智能理论,建立汽轮发电机组故障诊断系统概率因果网络群智能算法模型,给出基本的群运算法则及改进方法,将焦点放在有限空间的诊断推理上,并实现并行处理,很好地解决了传统算法中的问题;最后一个应用实例验证了此方法的优越性及工程实用性。     

多元时间序列因果关系分析研究综述

多元时间序列的因果关系分析是数据挖掘领域的研究热点. 时间序列数据包含着与时间动态有关的、未知的、有价值的信息, 因此若能挖掘出这些知识进而对时间序列未来趋势进行预测或干预, 具有重要的现实意义. 为此, 本文综述了多元时间序列因果关系分析的研究进展、应用与展望. 首先, 本文归纳了主要的因果分析方法, 包括Granger因果关系分析、基于信息理论的因果分析和基于状态空间的因果分析; 然后, 总结了不同方法的优缺点、适用范围和发展方向, 并概述了其在不同领域的典型应用; 最后, 讨论了多元时间序列因果分析方法待解决的问题和未来研究趋势.     

基于因果网络模型的飞机通信系统故障诊断

研究了基于因果网络模型的故障诊断方法,首先建立因果网络模型,并进行模型匹配;然后用Warshall算法实现邻接矩阵到可达矩阵的转换,采用逻辑数组法产生候选诊断模型;接着利用概率论的方法给出系统故障诊断的推理策略;最后,将该诊断模型应用于飞机通信系统,诊断实例验证了设计方法的实用性.     

基于互信息的适用于高维数据的因果推断算法

推断数据间存在的因果关系是很多科学领域中的一个基础问题。然而现在暂时还没有快速有效的方法对高维数据进行因果推断。为此,提出了一种基于互信息的适应于高维数据的因果推断算法,该算法采取将高维网络结构学习问题分解成每一个节点的因果网络结构学习问题的策略。在第一阶段,利用基于互信息的条件独立性测试算法寻找目标节点的父子节点;在第二阶段,利用一种混合的方向识别算法对目标节点与其父子节点之间的方向进行判别,所有节点迭代完后得到一个完整的因果网络。数据实验表明,该算法在高维数据的情况下要优于目前其他的算法。     

基于因果建模的强化学习控制:现状及展望

基于因果建模的强化学习技术在智能控制领域越来越受欢迎.因果技术可以挖掘控制系统中的结构性因果知识,并提供了一个可解释的框架,允许人为对系统进行干预并对反馈进行分析.量化干预的效果使智能体能够在复杂的情况下(例如存在混杂因子或非平稳环境)评估策略的性能,提升算法的泛化性.本文旨在探讨基于因果建模的强化学习控制技术(以下简称因果强化学习)的最新进展,阐明其与控制系统各个模块的联系.首先介绍了强化学习的基本概念和经典算法,并讨论强化学习算法在变量因果关系解释和迁移场景下策略泛化性方面存在的缺陷.其次,回顾了因果理论的研究方向,主要包括因果效应估计和因果关系发现,这些内容为解决强化学习的缺陷提供了可行方案.接下来,阐释了如何利用因果理论改善强化学习系统的控制与决策,总结了因果强化学习的四类研究方向及进展,并整理了实际应用场景.最后,对全文进行总结,指出了因果强化学习的缺点和待解决问题,并展望了未来的研究方向.     

行动推理中循环因果关系的研究

近年来行动推理的研究成为人工智能领域的热门问题,而结果问题是目前行动推理研究的核心问题之一．该文针对许多行动推理系统不能处理循环因果关系的问题,提出了解决方法．基于适当修改后的McCain和Turner的因果理论,该文提出了一种能处理循环依赖的理论转化方法．转化后的因果理论消除了循环依赖,而且可以采用单调推理方法．基于因果闭包语义,证明了转化前后的因果理论具有相同的模型．当因果关系不存在循环依赖时,该文方法得到与McCain,Turner方法(1997)相同的结果．     

知识发现中的因果关联规则挖掘研究

因果关联规则是知识库中一类重要的知识类型,具有重要的应用价值。首先对因果关系的特殊性质进行了分析,然后基于语言场和广义归纳逻辑因果模型,从表示、挖掘、评价和应用几方面,对因果关联规则的研究进行了详细论述。并在此基础上提出了隐含因果关联规则的概念。通过语言场和推理机制的运用,使因果关联规则这一重要知识形式的挖掘和评价过程具有良好的逻辑性和扩张性。     

基于D-S证据理论的故障综合诊断方法

针对单个诊断方法故障信息的模糊性和分散性，建立了基于证据理论的综合诊断方法。其中融合策略灵活多变，且模型已由单故障模式推广到多重故障模式，使之更适应实际工程诊断需要。最后应用其对某转子系统故障进行了诊断，结果表明方法行之有效。     

改进的关联模式竞争求解算法

在利用概率因果网络模型进行故障诊断过程中,传统的计算方法不能直接得到诊断问题的解,且当故障节点较多或网络层次较多时,存在着“组合爆炸”、计算量呈指数速度增加等问题。本文提出了以因果网络理论为基础的关联模式竞争求解算法,并对该算法进行了改进。改进后的算法解决了多层次、多节点的复杂因果网络模型推理难题,降低了诊断复杂度。最后通过一个实例验证了此方法的优越性及工程实用性。     

概率因果网络在航电系统多故障诊断中的应用

以飞机航电系统为研究对象,以设备可靠性数据和专家经验为数据来源,建立了基于因果网络的航电系统多故障诊断体系,给出了诊断过程、推理思路和诊断算法并做了实例验证,成功提高了航电设备的故障诊断效率并缩短了维修周期。     

On the Computation of Observers in Discrete-Event Systems

The concept of observer was introduced in previous work by the authors on a hierarchical control theory of discrete-event systems (DES). It was shown that the observer property of the “causal reporter” map, which in this theory models information flow in a hierarchical DES, plays a role in ensuring that a nonblocking supervisor at a given level of a hierarchy does not cause blocking in the level below. In this paper, we investigate the following problem: Given a causal reporter map that is not an observer, how can we design an observer by modifying this map? In case the latter is represented by a finite Mealy automaton, an effective computational algorithm is developed for computing an observer with the coarsest possible equivalence kernel that is finer than that of the given map. Three examples are provided for illustration.     

Qualitative Diagnosis of Condition Systems

A condition system is a collection of Petri nets that interact with each other and the external environment through condition signals. Some of these condition signals may be unobservable. In this paper, a system fault is defined in terms of observed behavior versus expected behavior, where the expected behavior is defined through condition system models. A diagnosis of this fault localizes the subsystem that is the source of the discrepancy between output and expected observations. We show that the structure of the interacting subsystems define a diagnostic causal model that captures the causal structure of subsystem dependencies. The diagnostic causal model can then be used to determine a set of subsystems that might be the source of a fault.     

Rollout strategy-based probabilistic causal model approach for the multiple fault diagnosis

Multiple fault diagnosis (MFD) is used as an effective measure to tackle the problems of real-shop floor environment for reducing the total lifetime maintenance cost of the system. It is a well-known computationally complex problem, where computational complexity increases exponentially as the number of faults increases. Thus, warrants the application of heuristic techniques or AI-based optimization tools to diagnose the exact faults in real time. In this research, rollout strategy-based probabilistic causal model (RSPCM) has been proposed to solve graph-based multiple fault diagnosis problems. Rollout strategy is a single-step iterative process, implemented in this research to improve the efficiency and robustness of probabilistic causal model. In RSPCM instead of finding all possible combinations of faults, collect the faults corresponding to each observed manifestations that can give the best possible result in compared to other methods. Intensive computational experiments on well-known data sets witness the superiority of the proposed heuristic over earlier approaches existing in the literature. From experimental results it can easily inferred that proposed methodology can diagnosed the exact fault in the minimum fault isolation time as compared to other approaches.     

基于BondGraph模型的定性故障诊断方法

研究一种基于键合图（Bond Graph）模型的定性故障诊断方法。根据Bond Graph模型元件中有关参数和变量的特定因果关系,推导出当某观测参量发生变化时,系统内所有可能产生故障的部位,并在此基础上预测每个故障的将来状态,通过与系统实际观测特征比较,在可能产生故障的集合中准确定位故障源。通过实例仿真验证,该方法是便捷有效的。