基于改进遗传算法的DBN结构自适应学习算法

针对动态贝叶斯网络(dynamic bayesian network, DBN)是NP困难问题,提出基于改进遗传算法的DBN结构自适应学习算法。该算法计算最大互信息和时序互信息完成DBN结构搜索空间的初始化。在此基础上设计改进遗传算法,引入评分标准差构建交叉概率和变异概率的自适应调节函数,以降低结构学习过程陷入局部最优解的概率。仿真结果表明,该算法在无先验知识的情况下,相比其他优化算法,汉明距离和运行时长平均减少了30%, 37.3%,评分值平均增大了18.0%。     

基于改进遗传爬山算法的篦冷机熟料换热二次风温故障诊断

提出一种利用改进遗传算子优化爬山的算法,能自动调整交叉概率和变异概率,自动选择交叉方式和变异方式,利用改进的交叉算子和变异算子替代爬山算法中的减边算子来扩展其全局寻优能力,利用最大支撑树限制搜索空间来提高搜索效率。仿真实验证明,与爬山算法等算法相比,该算法得到的模型更加准确、最佳得分更高且耗时较短。结合水泥熟料换热过程中的篦冷机现场采集数据,建立了篦冷机工艺参数的故障诊断模型,对二次风温实现了较为准确的故障诊断,具有一定实际意义。     

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%。     

基于蚁群节点寻优的贝叶斯网络结构算法研究

K2算法是学习贝叶斯网络结构的经典算法。针对K2算法依赖最大父节点数和节点序的不足,以及蚁群算法搜索空间庞大的问题,提出了一种新的贝叶斯结构学习算法-MWST-ACO-K2算法。该算法通过计算互信息建立最大支撑树(MWST),得到最大父节点数;然后利用蚁群算法(ACO)搜索最大支撑树,获得节点顺序;最后结合K2算法得到最优的贝叶斯网络结构。仿真实验结果表明,该方法不仅解决了K2算法依赖先验知识的问题,而且减少了蚁群算法的搜索空间,简化了搜索机制,得到较好的贝叶斯结构。最后将该算法应用到冀东水泥回转窑的实际数据中,构建水泥回转窑的贝叶斯网络结构,提高了故障诊断的准确率。     

一种液化分离二氧化碳净化工艺

提出了一种新的工艺气分离工艺,利用二氧化碳低温液化的特性,通过降温将二氧化碳进行液化分离。液化分离二氧化碳后的工艺气再进一步净化处理,优选与低温甲醇洗配套使用。二氧化碳液化分离技术可以降低低温甲醇洗设备尺寸、投资费用和运行费用,配套低温甲醇洗使用后较现行低温甲醇洗工艺具有明显优势。     

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。     

基于贝叶斯改进结构算法的回转窑故障诊断模型研究

针对现有改进互信息爬山(MI&HC)算法精度低、耗时长及简化爬山(SHC)算法产生大量冗余边的问题,提出一种新的结构学习算法,即改进爬山(IHC)算法。通过计算互信息链得到贝叶斯初始结构,利用条件独立性测试以及对孤立节点进行处理来加边补充贝叶斯初始结构得到完全结构,利用改进的爬山搜索算子对完全结构进行搜索直到得出最优结构。将该算法与爬山(HC)算法、MI&HC算法、SHC算法进行比较,仿真结果表明,IHC算法能够得到较高准确率的模型,时间开销最小而且产生的冗余边数远远少于SHC算法产生的冗余边数。最后基于IHC算法,结合某回转窑数据进行训练,得到了回转窑工艺参数的故障诊断模型,对回转窑的烧成带温度实现了较为准确的故障诊断。