便便 ##面向对象编程 2014/15 ###Learning 动态贝叶斯网络 ####MEEC IST 更多信息 ->

微软提供的贝叶斯网络建模、分析工具，操作简单、界面友好，并提供C#API接口及使用示例，可运行于X64系统。

构造精确的贝叶斯网络分类器已被证明为NP难问题，提出了一种基于捕食逃逸粒子群优化（PSO）算法的通用贝叶斯网络分类器，能有效避免数据预处理时的属性约简对分类效果的直接影响，实现对贝叶斯网络结构的精确学习和搜索。另外，将所提出的分类器应用于高职院校就业预测分析，并在Weka平台上实现对该分类器的构建和验证，与其他几种贝叶斯网络分类器的对比实验结果表明，该分类器具有更好的性能。

小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

贝叶斯网络的循环信念传播算法的实现 贝叶斯网络和循环信念传播 贝叶斯网络可用于编码事件之间的一组因果或逻辑概率依赖关系。它们采用有向无环图的形式，每个节点都与一个概率表相关联，该概率表定义了它根据其父节点的值获取每个可能值的概率。 Loopy Belief Propagation 是一种算法，它计算网络每个节点的边际概率分布的近似值，以预先设置的一组选定“观察”变量的值为条件。 这是一个近似值，它表现得好像每个节点的父节点在给定节点的情况下是条件独立的。仅当所考虑的图实际上是一棵树（没有无向循环）时，这才是正确的，在这种情况下，近似值是精确的。 该算法的一个典型失败案例是，当某些节点的父节点既高度相关又非常随机（尤其是simple_net此存储库中的示例的情况；））。然后，即使算法收敛（并非总是如此），它也很可能收敛到错误的值。 另一方面，对于观察结果几乎可以肯定确定网络其余部分的值的网络（这在现实世界的问题中并不少见），循环信念传播算法提供了一个非常好的近似值

这个包是Julia中概率图形模型算法的轻量级实现 特征 目前，它处理离散因子图的操作（使用 API 构建或通过从 UAI Competition 格式的文件加载），以及通过信念传播（边际、最大边际和混合边际推理）进行近似推理。 因子图是由变量节点和因子节点组成的二分图。变量节点与随机变量相关联，因子节点与域是相邻（变量）节点的直接乘积的函数相关联。在最简单的离散情况下，因子节点与表示函数的多维数组（因子）相关联。

数据挖掘 贝叶斯算法 C++ 贝叶斯算法一般都用MATLAB实现，好不容易找到个C++的，可以用到工程中去

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2观测2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
法在信息不确定条件下进行诊断与维修决策的有效性。

为解决隧道风险评估中存在的主观性大、结果不准确的问题，提出基于事故树和贝叶斯网络的区间概率等级、权重信心指标与置信区间相结合的综合风险概率估计法，并将其应用于渔寮隧道的坍塌风险评估中。首先利用事故树构建贝叶斯网络，并利用案例中因素之间的依赖关系得出节点的条件概率(联合概率)。然后利用提出的区间概率等级划分与权重信心指标法进行调查，得出专家j对于基本事件xi出现概率的估计值Pij，由所有专家的估计值构建样本空间Ui及其统计量，通过引入置信区间的方法得出基本事件xi出现的概率范围。获得所有事件的概率范围后与贝叶斯网络的条件概率相结合进行风险推断，保证了风险评估的科学性和准确性，同时可利用该模型进行事故原因诊断。

３．３　智能故障诊断算法 飞机ＰＨＭ系统智能故障诊断算法依赖于人 工智能技术，常用的智能诊断方法有以下４种。 １）基于神经网络的故障诊断 将系统正常工作检测到的数据进行数据预处 理，提 取 出 特 征 量，离 线 输 入 到 神 经 网 络 进 行 学 习，获得神经网络权值，该神经网络作为系统正常 的模型［２３］。当实际系统运行时，检测系统进行处 理后与神经网络比较，当系统输出与神经网络输 出之差超出阈值，则可以判断为系统故障，如图６ 所示。 图６　基于神经网络的故障诊断 Ｆｉｇ．６　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ 　 　　２）基于支持向量机的故障诊断 支 持 向 量 机 （Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ， ＳＶＭ）是建立 在 结 构 风 险 最 小 化 的 原 则 基 础 上， 追求有限样本下最优解的方法。ＳＶＭ 用 于 故 障 诊断实质上是一个分类问题，它根据飞机运行过 程中产生的各种信息（如振动频谱、波形特征、相 关运行参数等），判断其是否有故障，并判断故障 产生的原因和部位。采用ＳＶＭ 能在训练样本很 小的情况下很好的达到分类推广的目的，而且不 需要预先知道故障分类的先验知识，如图７所示。 图中Ｒ１、Ｒ２ 和Ｒ３ 分别为３个故障区域；ω１、ω２ 和 ω３ 分别为Ｒ１、Ｒ２ 和Ｒ３ 的权值。 图７　支持向量机故障分类 　Ｆｉｇ．７　Ｆａｕｌｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ） ３）多传感器信息融合故障诊断 信息融合是将多源信息加以智能合 成，产 生 比单一信息源更精确、更完全的估计和判决。多 传感器信 息 融 合 方 法 包 括 基 于 权 系 数 的 融 合 方 法、基于参数 估 计 的 信 息 融 合 方 法、基 于 Ｄ－Ｓ推 理理论的融 合 方 法、基 于 Ｋａｌｍａｎ滤 波 的 融 合 方 法、基于模糊神经网络的融合方法和基于粗糙集 理论的融合方法等［２４］，ＰＨＭ 系统常采用的混 合 式信息融合结构如图８所示。 图８所示结 构 可 以 同 时 进 行 原 始 传 感 器 数 据和特征 数 据 的 融 合，在 数 据 融 合 的 过 程 中 可 以根据 需 要 从 原 始 传 感 器 信 号 中 寻 找 有 用 信 息，进而 有 效 提 高 运 算 结 果 精 度。然 后 再 采 用 独立故障 分 类 算 法 对 特 征 信 号 进 行 处 理，实 现 故障隔离。 ４）模糊逻辑推理 模糊逻辑推理基于隶属度函数将系统输入进 行融合，产生输出［２５］。在完成了隶属度函数度量 之后，通过诸如求和或求最大值等方法将不同隶 属度函数融合在一起，最终利用融合后的隶属度 函数计算融合输出结果，如图９所示。