基于动态贝叶斯网络的入侵意图识别方法

在构建高层次攻击场景和处理复杂攻击时,入侵检测技术难以有效察觉入侵者的意图、识别攻击间的语义以及预测下一步攻击。为此,针对网络复杂攻击过程中的不确定性,提出一种基于动态贝叶斯网络的入侵意图识别方法,采用动态贝叶斯有向无环图实时表述攻击行为、意图与攻击目标之间的关联,应用概率推理方法预测入侵者的下一步攻击。实验结果反映入侵者的意图在入侵过程中的变化规律,验证该方法的有效性。     

基于贝叶斯网络的数据挖掘方法

常用的数据挖掘方法有许多,贝叶斯网络(Bayesian Networks,BN)方法在数据挖掘中的应用是当前研究的热点问题.贝叶斯网络是一种进行不确定性推理和知识表示的有力工具,当与统计方法结合使用时,显示出许多关于数据处理的优势.首先介绍了BN的定义、方法的优点以及目前网络学习的各种算法,最后用一个实际中的案例进行试验,指出了在数据挖掘技术中的具体应用.得到了将贝叶斯网络应用于数据挖掘当中,充分挖掘数据的隐含信息和内在本质,具备良好地预测能力等优点,实验证明这种方法实用、有效.     

新的贝叶斯网络结构学习方法

贝叶斯网络是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的表示模型,它描述了数据项及数据项之间的非线性依赖关系.报告了贝叶斯网络研究的现状,并针对传统算法需要主观规定网络中结点顺序的缺点,提出了一个新的可以在无约束条件下,根据观测得到的训练样本集的概率关系,自动完成学习贝叶斯网络结构的新方法.     

基于贝叶斯网络的故障诊断策略优化方法

通过分析设备故障诊断与维修所面临的主要问题以及当前常用诊断策略存在的局限性，研究基于贝叶斯网络的故障诊断策略优化方法。提出了适合于表达诊断问题的基于故障假设一观测一维修操作节点的贝叶斯网络结构，阐述了基于贝叶斯网络的故障诊断策略优化方法的基本思想和优化算法。该方法综合考虑了多故障、有观测操作以及操作之间有依赖关系等情况。最后通过应用实例，证实了该方法在信患不确定条件下进行诊断与维修决策的有效性。     

基于贝叶斯网络的故障诊断专家系统

现代系统设备的日趋复杂化和自动化,对故障诊断技术提出了更高的要求;随着人工智能技术的发展,故障诊断技术向智能化方向发展,如何将人工智能技术应用到故障诊断中去,是当前研究的重点;为了实现对汽车发动机已发故障和潜在故障的快速高效诊断,根据发动机故障知识结构特性,将贝叶斯网络因果有向图的故障知识表示方法引入到专家系统中,并采用可在线监控和离线诊断的推理机制,在G2平台下实现了汽车发动机故障诊断专家系统,系统应用的效果表明了该方法的可行性.     

基于贝叶斯网络的Web服务组合故障诊断

提出一种利用贝叶斯网络对Web服务组合故障原因进行诊断的模型,对该模型中贝叶斯网络拓扑结构的构造以及网络参数的赋值方法进行了详细说明。然后,基于构造的贝叶斯网络,提出Web服务组合的故障检测算法并对其进行了分析。实验模拟表明,提出的模型能有效地识别Web服务组合流程错误的根本原因。     

关于Bayes网络的性质及其存在问题的探讨

本文首先介绍了Bayes理论的起源和Bayes公式,接着讨论了Bayes网络的几种性质和存在的问题。     

贝叶斯网络中因果链搜索算法及其应用研究

将有向无环网络中简单路径的搜索算法用于贝叶斯网络中的因果链搜索.根据因果链上节点的条件概率表,计算出每条因果链中各节点的状态概率,从而完成了概率的传播和更新.本文所提出的因果链上的前向和后向推理方法可用于因果链敏感性分析,为科学决策提供依据.     

基于MAS和贝叶斯网络的电网故障诊断研究

本文采用贝叶斯网络的故障诊断方法,建立了基于MAS的电网故障诊断体系。该系统具有较好的主动性、自适性和扩展性,有助于提高电力系统的诊断效率。     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

贝叶斯网络在电子系统故障诊断中的应用研究

电子系统大多结构复杂,各组成模块存在错综复杂、相互影响的关系,另外测点较少且测点数据常常是不完备的。针对此类情况,以某电源系统为研究对象,提出了基于贝叶斯网络的电子系统故障诊断方法。首先依据系统的结构获得其因果图,并对各测点信号进行离散化处理;其次建立用于故障诊断的贝叶斯网络模型,并且根据历史数据完成该网络的参数学习,最后利用获得的事实来实现故障的诊断。仿真结果验证了该方法的有效性,为电子系统的故障诊断提出了一种新的思路。     

基于贝叶斯网络的超速离心机故障诊断专家系统研究

研究了一种超速离心机故障诊断专家系统。系统采用人机对话方式,以专家知识库为基础,对离心机运转时的实时数据采样或者通过人工对界面输入故障征兆知识;采用贝叶斯网络方法进行推理,从而诊断出故障原因和各原因可能发生的概率。使维修更具针对性,实现智能化超速离心机故障诊断,提高了设备可靠性与安全性。     

Probability based vehicle fault diagnosis: Bayesian network method

Fault diagnostics are increasingly important for ensuring vehicle safety and reliability. One of the issues in vehicle fault diagnosis is the difficulty of successful interpretation of failure symptoms to correctly diagnose the real root cause. This paper presents an innovative Bayesian Network based method for guiding off-line vehicle fault diagnosis. By using a vehicle infotainment system as a case study, a number of Bayesian diagnostic models have been established for fault cases with single and multiple symptoms. Particular considerations are given to the design of the Bayesian model structure, determination of prior probabilities of root causes, and diagnostic procedure. In order to unburden the computation, an object oriented model structure has been adopted to prevent the model from overly large. It is shown that the proposed method is capable of guiding vehicle diagnostics in a probabilistic manner. Furthermore, the method features a multiple-symptoms-orientated troubleshooting strategy, and is capable of diagnosing multiple symptoms optimally and simultaneously.     

基于贝叶斯模型的IP网拥塞链路诊断算法

通过端到端路径的性能判断IP网络运行状态的方法可以以较小的代价诊断网络故障,但目前已有的端到端技术仍然存在两个主要问题：1)端到端的探测数量不足以准确定位每条链路的拥塞状态;2)随着网络规模的扩大,诊断所消耗的计算时间过长,无法达到实时性的要求。为解决以上问题,提出一种基于贝叶斯模型的高效拥塞链路诊断算法。所提算法将拥塞定位问题建立成贝叶斯模型,将模型进行二次化简,并限制了同时发生拥塞的链路个数,从而在保证一定准确度的基础上大大降低了推理的计算复杂度。通过仿真与Planetlab实验将所提算法与Clink算法进行了对比,实验结果证明,所提算法具有更高的诊断准确度和更短的诊断时间。     

一种基于贝叶斯网络的燃气轮机故障诊断方法

针对电厂中现役燃气轮机故障样本少,以往的故障诊断方法依赖于海量的带有故障标签的数据,无法在实际生产中取得预期的诊断效果的现象,本文将重点着眼于利用贝叶斯网络进行反事实推理,完成对燃气轮机故障原因的分析。本文首先介绍了贝叶斯网络的基本原理,其次将故障模式和影响分析及故障树技术用于贝叶斯网络的搭建,弥补了基于数据驱动的故障诊断方法缺少专业知识支撑的缺陷,最后通过实际案例分析,表明了这一方法用于燃气轮机的故障诊断时,可以根据燃气轮机在运行中出现的异常现象,分析出可能出现的故障,以及相应的故障原因,帮助运行及检修人员及时发现故障,及时排除故障。为实际生产中的燃气轮机的故障诊断技术提供了一种灵活,高效,可靠的方法。     

一种基于贝叶斯网络的模型诊断方法

提出一种结合贝叶斯网络进行基于模型诊断的方法.在基于模型诊断的基础上,建立了元件状态模型,并将诊断模型转换为贝叶斯网络,利用团树算法求解征兆产生时系统状态的后验概率,再通过计算边缘分布获得元件故障概率.最后给出一个数字故障电路的实例,在Matlab上进行推理,得到了精确的概率值,验证了该方法的有效性.     

Mobile cloud-based depression diagnosis using an ontology and a Bayesian network

Recently, depression has becomes a widespread disease throughout the world. However, most people are not aware of the possibility of becoming depressed during their daily lives. Therefore, obtaining an accurate diagnosis of depression is an important issue in healthcare. In this study, we built an inference model based on an ontology and a Bayesian network to infer the possibility of becoming depressed, and we implemented a prototype using a mobile agent platform as a proof-of-concept in the mobile cloud. We developed an ontology model based on the terminology used to describe depression and we utilized a Bayesian network to infer the probability of becoming depressed. We also implemented the system using multi-agents to run on the Android platform, thereby demonstrating the feasibility of this method, and we addressed various implementation issues. The results showed that our method may be useful for inferring a diagnosis of depression.     

基于模型诊断的改进贝叶斯方法

基于模型诊断是针对系统或设备的行为和结构建立模型,从而进行诊断的.但是基于模型诊断的方法存在不确定性问题,诊断的结果可能为一组故障部件.为解决不确定性问题,很多学者在基于模型诊断中使用了概率的方法,利用待诊断设备组成部件的故障概率信息来寻找最可能的诊断.通过对模型诊断中存在的不确定性问题的深入研究,在基于模型诊断中提出了概率的贝叶斯解释,从而利用后验概率形式量化了元件故障的可能性的衡量标准,并且改进了计算元件后验概率的方法,分析了改进后算法的复杂性和完备性,证明了改进后的方法降低了时间和空间的复杂性.实验结果表明,改进后算法的执行效率较原有的算法有明显的提高,且有些问题可以提高两个数量级.     

基于贝叶斯网络的车辆电源系统故障诊断方法

针对车辆电源系统测试点少且测试数据不完备的问题,提出一种多信号流图模型和贝叶斯网络相结合的故障诊断方法。利用多信号流图模型建立电源系统的故障诊断模型,得到系统故障源与测试信号对应的故障依赖矩阵,在此基础上,建立用于故障诊断的贝叶斯网络结构,根据历史数据完成网络的参数学习,并以故障后验概率最大为准则,实现电源系统的故障诊断。仿真实验验证了该方法的有效性。