多值因果图的一种推理算法

该文针对多值因果图存在的两个困难:不严格满足概率论;将其用于实际问题时,推理结果可能出现错误。提出了一种基于因果影响可能性分配的推理算法。该算法对多值因果图进行了补充定义,使多值因果图能够兼容单值因果图;定义了事件变量状态可能性,及其精确计算方法和近似计算方法;给出了将多值因果图转化为单值因果图的方法和步骤,并推导了相应的计算公式;给出了收到证据后,感兴趣变量状态的后验概率计算方法。以核电站二回路系统中蒸汽发生器故障诊断因果图为例,展示了该算法推理计算的全过程。实例表明,该算法能够有效地克服多值因果图存在的困难,其推理过程严谨,计算结果符合实际情况。     

一种引入归一化常数的多值因果图推理算法

在将原单值因果图推理算法直接应用于多值因果图推理时,存在不严格满足概率推理中的归一性和互斥性要求的严重问题.该文提出的算法采用以下方法成功解决了这一难题：①假定多值因果图中原因节点对结果节点只贡献概率值,且每个贡献是简单相加的关系.即原因节点对结果节点状态的影响是非直接的,原因节点只影响结果节点各状态的概率分布,结果节点的状态由这个状态概率分布随机决定;②引入归一化常数来保证推理过程中的归一性;③通过推导出多值因果图的一个性质,即可以在推理过程中假定指向同一节点的所有连接事件的各状态之间彼此互斥来保证推理过程的互斥性.从而使得算法在推理过程中同一节点的各状态间完备且互斥,保证了推理的正确性.     

多值因果图知识独立性与相关性的矛盾及解决方法

首先给出一个基本假设， 假定在多值因果图中， 原因节点不直接影响结果节点, 而是只贡献概率值， 结果节点的状态由这些概率值之和形成的概率分布随机决定. 接着, 通过引入归一化常数来解决推理过程中的归一性问题. 最后, 假定指向同一节点的各连接事件的各状态之间彼此互斥, 这并不会影响推理结果， 这一特性保证了推理过程中任一节点的状态之间彼此互斥, 也简化了推理算法．     

因果图推理的一种新方法

1 引言基于概率论推理的不确定性知识表达推理方法包括信度网、马尔可夫网以及PROSPECTOR中使用的方法等。其中,信度网推理模型因其理论上的严格性和一致性,以及有效的局部计算机制和直观的图形化知识表达,正日益受到高度的重视。然而,信度网也存在一些不足:如处理多连通问题和因果循环问题的方法复杂,计算量大;采用条件概率表达因果关系强度不直观,数据之间存在相依性;较难根据实时收到的信息对知识库中的数据和因果结构进行在线修改;没有考虑条件概率随时间动态变化等问题。 1994年张勤教授提出了另一种基于概率论的知识表达推理方法—“基于动态因果树/图的概率推理”。该方法通过引入布尔逻辑运算,克服了上述信度网之不足,具有如下一些显著的特点:完全基于概率论,有良好的理论基础;对网络的拓扑结构没有限制(不要求通常使用的DAG图),可根据实际情况任意构造自己     

因果图用于复杂系统故障诊断研究

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,具有重要的工业应用价值。经过文献犤5犦犤6犦犤7犦的研究,目前因果图已发展成一个能够处理离散变量和连续变量的混合因果图模型。文章讨论了将因果图用于复杂系统故障诊断的关键问题。给出了基于因果图的故障知识表达方法,给出了故障模式的静态求取方法和动态求取方法以及故障模式的概率计算方法。以核电站二回路系统为研究对象,在自行研制的因果图智能故障诊断平台上进行了故障诊断测试,诊断结果与实际情况相符,诊断迅速、效果较好。     

复杂因果图并行推理算法研究

因果图的精确推理算法是NP难的,因此寻找高效的推理方法是值得研究的问题。介绍了因果关系研究进展,对经典因果图推理过程作了进一步分析,在此基础上提出了复杂因果图的并行推理算法,并对算法的时间复杂度进行了分析,最后用一个实例验证了算法的推理效果。研究表明,该复杂因果图并行推理算法有效地降低了时间复杂度,特别是在有环且处理机数量足够的情况下和无环且处理机有限的情况下,算法的复杂度是一个多项式时间复杂度,这为因果图提供了一种可行的新的推理方法。     

信度网推理——方法及问题（上）

信度网（Belief Network)[6,7,11]又名贝叶斯网络（Bayesian network),是目前非精确知识表达与推理领域最有效的理论模型,已成为近十几年来研究的热点。该网络采用图形化的方式表达了一个联合概率分布。一个由N个节点{X1,...,Xn}构成的信度网B＜G,P＞,由两部分构成。     

GIBBS仿真方法运用在大型因果图的推理过程

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,目前已发展成一个能够处理离散变量和连续变量的混合模型,特别适于运用在大型的工业故障诊断领域。但因果图在推理计算中,面临着与信度网的推理算法复杂度过高的同样问题。通过比较几种MarkovChainMonteCarlo(MCMC)方法,论文基于Gibbs仿真算法的思想,并对进入稳态条件、采样顺序判定准则、采样结束判据等进行深入分析,进而提出了一种改进的仿真推理新方法。利用该采样仿真算法能极大地提高故障诊断的速度和准确度,这对因果图模型在工业在线故障诊断领域中的应用具有重要意义。     

信度网近似推理算法（下）

2 仿真方法基于信度网的精确推理算法通过利用各节点之间的条件独立性来加快推理计算,前面介绍的基于搜索的方法则不仅利用节点间的条件独立性而且利用概率分布的一些特性进行近似计算,但是在很复杂的问题领域要想通过分析条件独立性和利用概率分布的特征来加速推理计算往往不太现实。基于仿真的方法则另     

运用哈密顿图进行基于事例推理中的改写

1 前言基于事例的推理(Case-Based Reasoning,简称CBR)是对相似事例进行类比的人工智能推理方法,其原理是利用已有的事例所蕴含的客观规律,通过类比推理,求得新问题的解。由于CBR不必进行知识的提取,而是通过对蕴含客观规律的具体事例进行相似匹配,提取和再利用,因此,CBR克服了专家系统中进行知识获取的困难(知识获取是目前制约专家系统发展的“瓶颈”),能够方便地进行应用。目     

因果图的一种快速推理方法

由于因果图的经典推理的计算复杂度是NP难的,不便于推广和使用。文中首先通过对因果图进行图形解环,然后给出了基于无环因果图的快速推理算法,降低了推理的复杂性,推理结果与传统算法结果一致,说明方法是可行的。     

连续变量/离散变量混合因果图推理模型研究

针对因果图理论[1]没有对于连续性问题进行理论上的研究的情况，根据因果图知识表达的特点，本文立足于模糊逻辑的方法，对变量的连续性问题、因果关系的连续性问题进行研究，通过理论分析提出了完整的解决方法，实现了同时兼容连续、离散问题的混合推理因果图模型，并完整地建立了清华大学北京核电模拟机的故障诊断连续/离散混合模型，将其二回路的15种故障全部正确定位，体现了因果图理论以及本文提出的连续/离散混合处理方式的有效性．     

Dynamic Uncertain Causality Graph for Knowledge Representation and Reasoning: Discrete DAG Cases

Developed from the dynamic causality diagram (DCD) model,a new approach for knowledge representation and reasoning named as dynamic uncertain causality graph (DUCG) is presented,which focuses on the co...     

Petri网的正向推理算法

提出了一种建立在petri网的基本结构上的形式化正向推理算法,通过建立petri网的关联矩阵、标识向量和激发向量,将petri网与矩阵运算结合,可以在petri网模型中抽取一个子模型,从而把一个大的、复杂的系统转化为一个只与问题相关的小的系统来处理。该算法充分利用了petri网的并行处理能力,缩小了后续应用的范围,加速了后续应用的效率。     

基于抽样的因果图仿真推理算法研究

由于因果图的经典推理的计算复杂度是NP难的,因此其不便于推广和使用。基于因果图理论和MonteCarlo思想,提出了基于抽样的A-R Sampling和重要性抽样的因果图仿真推理算法。在故障诊断中的有效应用验证了方法是可行的。     

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.