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。

genie2_setup.rar 安装包

c#实现的贝叶斯网络数据分类器，可以自己设定节点数目，学习速率，进行分类学习。

基于全过程综合敌我识别中不同阶段综合敌我识别信息来源的差异, 采用动态贝叶斯网络进行建模. 在建
模过程中, 由于参数众多、样本难以全面获得、学习训练计算量巨大等问题, 将随机模糊思想引入参数学习, 从而既
可充分利用先验信息, 又尽可能地消除主观因素. 最后仿真了整个过程, 其结果验证了所提出方法的有效性.

为获得正确的节点次序，提高K2算法的执行效率和精确度，提出一种构建基因调控网络的IE―K2算法。基于两个节点互信息构建无向图，通过引入联合信息熵来获得最佳的节点次序。在Alann网络中的实验结果表明，其预测的准确率优于爬山算法和随机节点顺序的K2算法；将IE―K2算法用于构建酿酒酵母的基因调控网络，通过现有文献证明了调控关系的正确性，结果显示了该算法的有效性。

pybn （下架）：请尝试 一个用于贝叶斯网络建模和推理的简单 python 库 特点： 具有以下功能的有向无环图 (DAG) 类：父母、孩子、祖先、后代、所有 v 结构、道德化。 无向图实现。 用于测试独立性的 a-Separation 类。 i-Separation，一种在 DAG 中测试独立性的替代方法，它考虑了初始变量及其后代，并且在更大的网络中速度更快。 具有乘法、除法、边缘化等操作的条件概率表 (CPT) 实现。 消除排序（最小邻居、最小权重、最小填充、加权最小填充） 变量消除（删除贫变量，独立于证据变量，创建一张新的根变量表，等等）。 实用程序： 从 BIF 文件加载网络。

Bayesian Networks Variable Elimination Algorithm：贝叶斯网络变量消除算法.ppt

dbn模型matlab代码BNT-SM 用于学生建模的贝叶斯网络工具箱（BNT-SM）旨在促进在学生建模社区中使用动态贝叶斯网络。 BNT-SM输入一个数据集和一个由研究人员假设的贝叶斯网络模型的紧凑XML规范，以描述学生知识和观察到的行为之间的因果关系。 BNT-SM使用贝叶斯网络工具箱生成并执行代码以训练和测试模型。 BNT-SM使研究人员可以轻松地探索关于学生模型中知识表示的不同假设。 例如，通过改变贝叶斯网络的图形结构，我们研究了补习干预如何影响学生的知识状态-干预是可能脚手架还是可以帮助学生学习。 主页 安装 BNT-SM2.0.zip可以在“下载”下下载。 它是在Matlab中实现的，因此您需要安装并运行Matlab。 典型用法示例 下载并解压缩BNT-SM后，启动Matlab并执行 >> cd src >> setup >> cd ../model/kt >> [property evidence hash_bnet] = RunBnet('property.xml'); Property.xml是一个XML文件，用于指定我们正在构建的贝叶斯网络。 在目录BNT-SM /

贝叶斯网络上的信念传播 这是一个在贝叶斯网络 (BN) 上运行循环信念传播的程序，并为网络上的每个节点生成边缘化概率。 算法细节参考 ，随着使用bethe聚类图而不是BN的纯因子图的变化。 输入格式应为 用法 $ python bp < .bif file path > [-o output file] [-t threshold] Options: -o, --output output file name, default to ' result.txt ' -t, --threshold threshold for convergence default to 1e-10 致谢 BIF 解析器由提供。 项目中的代码用于华盛顿大学的作业 3。

贝叶斯网络算法及建模应用，数据挖掘