一种通过节点序寻优进行贝叶斯网络结构学习的算法

针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。     

基于节点块序列约束的局部贝叶斯网络结构搜索算法

针对K2算法过度依赖节点序和节点序搜索算法评价节点序效率较低的问题, 提出一种基于节点块序列约束的局部贝叶斯网络结构搜索算法, 该算法首先通过评分定向构建定向支撑树结构, 在此基础上构建节点块序列, 然后利用节点块序列确定每个节点的潜在父节点集, 通过搜索每个节点的父节点集构建网络结构, 最后对该结构进行非法结构修正得到最优贝叶斯网络结构.利用标准网络将算法与几种不同类型的改进算法进行对比分析, 验证该算法的有效性.     

改进的多种群算法优化隐马尔可夫模型预测篦压趋势

以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

基于分类优化贝叶斯结构算法的篦冷机参数状态分析及其算法收敛性分析

针对种群算法建立贝叶斯结构存在参数多、易陷入局部最优的问题,提出一种改进贝叶斯结构学习算法。该算法将候选结构分为优劣解集,利用师生交流机制优化优解集保留精英个体,利用变异机制优化劣解集来增加结构多样性,从而加快算法收敛速度,并在准确率和运行时间上达到平衡。最后不仅利用马尔科夫链证明该算法是全局收敛的,而且通过仿真实验验证了所提出算法的性能。将该算法应用到水泥篦冷机的实际数据中,构建水泥篦冷机工艺参数的贝叶斯网络结构,并完成篦冷机参数状态分析。     

一种增量式贝叶斯算法及篦冷机故障诊断

针对批量式算法增量维护性能差的缺点,提出了一种贝叶斯增量学习算法(ILA)。检测到新数据集时,构造WTUN函数来判断结构是否需要更新,若结构需要更新,则构建影响度(Affect)函数,得到结构中需要修正的节点集,在其马尔可夫范围内利用爬山算子修改得到候选结构,利用改进的评分函数选择评分最大的结构作为最优结构。无论结构是否更新,都将原参数作为先验参数,利用EM算法更新参数。将该算法与批量爬山（HC）算法、增量爬山（IHC）算法、增量遗传算法（IGA）对比,ILA算法可以对网络进行增量维护,一定程度上节省了空间和时间。利用该算法建立篦冷机工艺参数的故障诊断模型,该模型能较为准确地实现对二次风温的故障诊断。