考虑决策者判断的应急方案生成方法

基于案例推理的应急决策方法来解决突发事件中快速有效的应急响应问题,提出一种考虑决策者判断的突发事件应急方案生成方法。首先,计算目标案例与历史案例的相似度,采用相似度阈值对有效历史案例集进行筛选;然后,集结决策者们给出的应急方案,在此基础上,融合有效的相似历史案例集与决策者的应急方案,生成目标案例的应急方案;最后,通过一个算例说明了该方法的可行性和有效性。     

应急辅助决策中案例表示与检索方法研究

针对突发事件发生后如何进行应急决策的问题,基于应急案例的层次结构提出了应急案例的XML表示方法,解决了异构应急案例的统一表示问题.在案例检索算法中,设计了一种基于结构相似度和属性相似度的双重案例检索算法,有效克服了传统最近邻算法中由于案例属性值缺失而无法进行案例相似性计算的缺陷.台风领域案例检索算法应用过程的实例说明了...     

基于直觉模糊贝叶斯网络的高速铁路突发事故态势估计

为了提高高速铁路应急部门针对突发事故进行应急决策的能力,通过建立直觉模糊贝叶斯网络(intuitionistic fuzzy Bayesian network, IFBN)对突发事故现场进行态势估计,为应急决策提供依据。首先,分析了高速铁路突发事件的诱因、事故分类及应急决策的特点和流程;其次,利用直觉模糊数表示贝叶斯网络节点的证据信息,给出了基于IFBN的态势估计方法;最后,以动车组(electric multiple units, EMU)在高架桥突发火灾事故为例分别用贝叶斯网络(Bayesian network, BN)和IFBN进行推理。经过多组推理比较,结果表明：当信息犹豫度较大时,BN推理会产生与实际情况相反的结论,而IFBN克服了此缺点,推理结果仍然准确,可见利用IFBN推理模型进行态势估计比经典贝叶斯方法更加准确可信。     

基于应急决策视角的案例检索及属性权重确定方法

案例推理是突发事件中生成应急方案的一种有效方法,而案例检索是案例推理的重要步骤。针对应急决策中存在决策者的风险态度和问题与解间关联的问题,提出了基于前景理论和灰色系统理论的案例检索方法。根据前景理论定义属性距离的前景值,根据灰色系统理论定义问题与解之间的关联度,并以此构建方案偏差最小化的非线性权重优化模型,求解模型得到最优权重,最后根据相似度确定最优备选方案。通过一个应急案例来验证所提出方法的可行性。     

CBR和RBR的无人机自主空战战术决策

针对空战中无人作战飞机战术决策自主化问题,提出了基于案例推理（CBR）和规则推理(RBR)的战术决策方法。在剖析战术决策案例特征的基础上,设计了一种基于框架结构的案例表示方法,并引入结构相似度和云模型理论,以改进传统的最近邻检索算法。最后,利用基于案例推理和规则推理设计的战术决策GUI界面,能够快速地从库中检索出与当前空战态势最匹配的战术决策源案例,证明了该方法具有较好的有效性。     

基于贝叶斯网络的非常规突发事件灾情评估

非常规突发事件的发生往往给人民生命财产和国民经济造成巨大损失,由于传统的突发事件评估系统大多是基于历史数据或专家经验的静态系统,使得应对非常规突发事件时无法动态地有效融合多源信息,而且大量的变量和数据往往造成评估系统计算效率偏低.因此,针对以上问题,提出了基于贝叶斯网络的非常规突发事件灾情评估方法,并且通过对贝叶斯网络模型的拓扑结构进行优化进一步提高了系统的计算效率.通过简化的核电站机组外部电网震后评估算例对所述方法进行了验证.结果表明,基于贝叶斯网络的非常规突发事件评估方法具有多源信息表示、融合以及全局更新的能力,并且可以有效地提高计算效率,适用于非常规突发事件的灾情评估.
     

基于CREAM和不确定推理的人因可靠性分析方法

提出了一种基于认知可靠性与失误分析方法（CREAM）和不确定性推理的适用于海洋工程的人因可靠性分析方法．首先根据海洋工程的作业环境特点,对共同绩效条件（CPC）进行了修正．之后为解决CREAM本身固有的不确定性,利用模糊数学原理实现CPC评价的模糊化,再基于CREAM的分析流程建立91叶斯网络,完成由CPC得到控制模式的推理过程,并证明贝叶斯网络的建模效率要高于模糊模型．由贝叶斯网络输出控制模式的隶属度,再通过去模糊化的方式计算得到人误概率．最后,针对某平台的实例分析结果证明该方法能够提高计算的精度．     

基因调控网络的父节点筛选贝叶斯建模方法

在构建基因调控网络的方法中,贝叶斯网络模型可以直观地表达基因间的调控关系,但在结构学习时的复杂度极高,使得网络建模效率较低且规模有限.因此,本文提出一种基于父节点筛选的贝叶斯网络(parent node screening based Bayesian network, PS-BN)建模方法.PS-BN方法将关联模型与贝叶斯网络模型相结合,在充分利用贝叶斯网络模型结构学习搜索策略的前提下,先基于父节点筛选方法去除部分冗余信息,以达到缩减搜索空间的目的.实验结果表明,与传统的贝叶斯网络模型方法相比,PS-BN方法极大提升了基因调控网络构建效率,同时准确率有所提高.     

基于效果域匹配的自适应案例推理决策模型

针对现有研究对案例匹配模式认识和应用的不足,通过分析案例推理决策机理,构建基于效果域匹配的案例推理决策模型.模型在对案例匹配模式进行识别的基础上,基于效果域匹配,采用自适应控制算法推理求解目标问题的决策.应用于煤矿瓦斯爆炸事故应急救援的算例与数值仿真结果表明,基于效果域匹配的决策模型使目标问题更趋近于理想解,求解过程具有更好的可控性.     

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.     

交通事故案例检索优化方法

为提高交通事故条件下实时决策管理的准确性,提出交通事故案例检索优化方法.基于交通事故案例数值型和枚举型数据构成特征,采用信息熵方法评价数据离散程度,客观确定交通事故案例属性权重,在数据归类化处理的基础上,应用二阶聚类算法建立案例检索库,开发交通事故案例检索系统并进行案例检索试验,从案例最高相似度及案例集匹配度两方面评价案例检索精度,验证了该案例检索优化方法的有效性.     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型.首先,收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理;其次,引入灰狼算法快速搜索到全局最优深度学习网络的相关参数,并根据最优参数对预处理后的网络流量历史数据进行...     

桥梁退化模型及养护时机研究综述

为了准确把握桥梁结构性能退化规律,实现桥梁养护决策精准化、科学化,综述了桥梁性能退化的模型建立方法以及养护时机优化研究现状.调研了中外学者对桥梁性能退化规律和养护策略的研究成果,从物理模型、回归模型、随机模型、人工智能模型等四个方面分析了桥梁退化预测模型的研究进展,总结了桥梁养护时机优化问题的建立与解决方法.研究表明:...     

面向表单的对象模型的研究

在企业软件的开发过程中，现有的各种建模方法均不能有效的与用户进行沟通，所以迫切需要一种能够顺利解决这一问题的建模方法。基于这种要求，提出并实现了面向表单的建模方法。该种建模方法简单明了，能够很好解决与用户的交流问题，同时其能够自动生成底层数据库及最终代码，可以大大的提高软件开发的效率和系统的稳定性、可扩展性、可维护性和安全性。     

基于神经网络平滑聚合机制的恶意代码增量训练及检测

为保证恶意代码变种检测模型的时效性,传统基于机器（深度）学习的检测方法通过集成历史数据和新增数据进行重训练更新模型存在训练效率低的问题。笔者提出一种基于神经网络平滑聚合机制的恶意代码增量学习方法,通过设计神经网络模型平滑聚合函数使模型平滑演进,通过添加训练规模因子,避免增量模型因训练规模较小而影响聚合模型的准确性。实验结果表明,对比重训练方法,增量学习方法在提升训练效率的同时,几乎不降低模型的准确性。     

冷轧建模中基于粗糙集和神经网络的案例检索

针对一般基于案例属性相似度的案例检索方法在实际应用时存在相似性度量的定义等难点而无法保证两效、准确检索的问题。提出了一种新的案例检索方法。根据粗糙集理论对冷轧负荷分配决策表进行简约以及从简约的决策表数据中发现规则,在此基础上利用发现的规则建立隐层节点数更合理的神经网络模型。以此神经网络模型实现相似案例检索,经在线实验证明,应用该方法可实现快速高效的案例检索。提高了整体智能推理建模的效率和质量。     

Reliability Risk Evaluation Method for Complex Mechanical System Based on Optimal Bayesian Network

In order to reduce the calculation of the failure probability in the complex mechanical system reliability risk evaluation,and to implement importance analysis of system components effectively,the system fault tree was converted into five different Bayesian network models. The Bayesian network with the minimum conditional probability table specification and the highest computation efficiency was selected as the optimal network. The two heuristics were used to optimize the Bayesian network. The fault diagnosis and causal reasoning of the system were implemented by using the selected Bayesian network. The calculation methods of Fussel-Vesely( FV),risk reduction worth( RRW),Birnbaum measure( BM) and risk achievement worth( RAW) importances were presented. A certain engine was taken as an application example to illustrate the proposed method. The results show that not only the correlation of the relevant variables in the system can be accurately expressed and the calculation complexity can be reduced,but also the relatively weak link in the system can be located accurately.     

基于局部优化具有连续变量的贝叶斯网络结构学习

概述了具有连续变量的贝叶斯网络结构学习存在的主要问题,给出了基于局部优化的具有连续变量的贝叶斯网络结构学习方法.通过构造局部最优回归模式、局部回归模式的条件组合及环路处理,建立了具有连续变量的贝叶斯网络结构,既可以避免复杂的结构打分运算及结构空间搜索,同时又不会出现由于离散化而导致过多的信息丢失及假依赖现象.