因果图转换为信度网的算法

动态因果图理论是在信度网基础上发展起来的一种不确定推理模型,两者在知识表达上存在一定的差别,但大体结构类似,在一定的条件下可以进行相互转换.从分析信度网与因果图的知识表达方式的异同入手,最后推导出一种将因果图模型转换为信度网模型的算法,主要从构成信度网模型的两大要素--拓朴结构和条件概率表两方面的生成算法进行了推导和阐述.     

利用模糊影响图方法进行管道风险评价

本文对如何应用模糊影响图对输油管道第三方破坏及系统风险的评价进行了研究，介绍了影响图、模糊数学以及模糊影响图的相关理论，构造了一个具体的项目风险分析的影响图模型，并介绍了影响图因果概率推理的具体算法．     

基于粗糙集理论和因果图的故障诊断

【目的】复杂系统发生故障时会导致许多冗余信息产生，以此建立的因果图模型结构复杂，推理难度较大，针对这个问题提出了基于粗糙集和因果图理论的故障诊断方法。【方法】先根据历史故障数据建立决策表，利用粗糙集理论对决策表进行属性约简得到最小决策表，再根据最小决策表对原始因果图进行约简，最后利用约简后的因果图模型进行故障诊断推理。【结果】从一定程度上降低了因果图模型的复杂程度，从而提升了推理速度。【结论】以某电网为例应用此方法，因果图模型的确得到了简化，样本检验结果也与实际结果一致，说明了该方法的可行性和准确性。     

基于因果图的一种近似推理算法

在因果图理论中,采用图形化和直接因果强度来表达知识和因果关系,它克服了贝叶斯网的一些不足,已经发展成了一个能够处理离散变量和连续变量的混合模型.但由于因果图的精确推理是NP难的,不能完全适应实际问题的需要,因此给出了一种近似推理算法,削减了因果图精确算法的步骤和需要的一些苛刻条件,使得计算的复杂度与事件的节点数同阶,并用具体例子说明了算法推理过程.     

因果图参数的在线学习

因果图理论是利用图形化和直接因果强度来表达知识和因果关系的一种基于概率论的推理方法,能够进行在线动态推理和对复杂系统进行故障诊断,连接强度是其推理的基础,文中给出了采用EM（η）算法在线学习因果图参数（连接强度）的方法,使学习出的参数能适应环境的变化,具有适时性．同时在理论上证明了这种方法的可行性和优点．     

一种引入推理规则的快速规划识别算法

在目标图算法的基础上引入推演扩展和推演检测过程,并进一步扩展了目标图的构造和分析过程,使得目标图可以处理带有推理规则的规划识别问题,从而在初始世界状态空间未完全已知的情况下依然可以识别目标.该算法不需要规划库,从而避免了利用规划库所带来的诸如手工编码和搜索时具有指数代价的问题.     

定性模型的分解算法研究

文章针对标准的 Q SIM算法对于复杂系统推理求解时会产生不可控分枝问题 ,提出一个模型分解算法。应用系统聚类分析和因果图分析方法将定性模型分解成单元 ,这样对聚类分解成的单元进行集成 Q SIM推理 ,可大大降低 QSIM算法的不可控分枝 ,提高系统的仿真效率。     

因素空间理论下银行信用卡违约预测

为扩大因素空间理论下因果分析法应用领域,基于因素空间理论下逆向逻辑归纳的思想,用背景分布计算各因果句的概率分布描述推理规则的强弱,提出逆向因果分析逻辑算法,并将其应用于银行卡的信用分析,提出基于因素空间理论的银行信用卡违约预测模型.该方法以信用卡实测数据为背景样本,提取推理规则,并用其他样本数据对预测推理规则进行验证....     

一种基于因果网络模型的诊断推理模型

提出一种基于因果网络的诊断推理模型.该模型用因果网络表示诊断对象的领域知识,不仅能有效地表达知识的不确定性,更重要的是解决了知识的不完备问题.该模型的推理过程分为领域相关的环境集识别和领域无关的诊断解产生两个阶段,增加了算法的柔性和通用性.     

动态故障诊断中的立体因果建模与不确定性推理方法

为满足复杂系统的动态、实时和高可靠性的故障诊断需求,克服动态不确定因果图(dynamic uncertain causality graph,DUCG)及其他概率图模型的局限,该文在DUCG理论的基础上扩展其时序因果表达与推理方法,建立了立体DUCG(Cubic DUCG)理论模型。采用动态的手段处理动态问题,以"逐步生长"的立体因果建模取消了时序模型中常见的Markov假设限制,以穿越式因果连接准确地表达动态系统下故障的产生、演变和发展;直观地刻画和处理动态负反馈等复杂故障逻辑因果关系;给出了严谨、高效的动态推理算法。宁德核电站1号机组CPR1000模拟机二回路系统上的故障实验结果表明:Cubic DUCG诊断推理准确、高效,能有效处理负反馈等复杂动态情形。     

无向随机网络图的最优树研究

本文对权值为随机变量的无向随机网络的最优树进行了分析．证明了随机网络最优树仍为一随机变量,并给出了已知随机变量密度分布的最优树权值和的求解方法与模拟．最后对未知随机变量进行分析,并给出方法．     

基于do算子的船舶风险干预及推理方法

针对船舶风险侧重于计算发生概率,其管控和干预效果难以评估及推理难题,提出了基于do算子的船舶风险干预及推理方法。首先利用先验知识建立因果关系网络;其次引入Leaky Noisy-Or假设和隐变量节点,建立基于结构性孪生因果网络模型;最后根据do算子干预进行反事实推理,利用引起故障的充分因和必要因来确定干预措施的有效性。实例分析表明,该方法可以有效衡量风险管控措施的有效性,判断干预的行为对危险源排序的影响,具有一定的稳定性和优越性。     

基于异类传感器的战场运动目标识别算法

利用异类传感器的互补特性,提出了一种新的运动目标识别算法:选取目标速度、第1主频、第2主频作为识别的有效特征;运用模糊推理得到目标分类信息的基本概率分配函数;把D-S证据推理和基于概率分配函数的决策相结合,获得对目标的有效识别.仿真结果证明了该算法的有效性.     

多维时间序列Granger因果图Markov性

文章利用Granger因果图表示多维时间变量序列间的因果关系,图中的顶点集由序列的各个分量组成,顶点间的有向边表示分量序列间的Granger因果关系,无向边表示分量间的同期因果关系.建立Granger因果图的p-分离准则,研究Granger因果图的Markov性.     

含隐变量和选择偏差的图模型中的因果推断

Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。     

基于半定性贝叶斯网络的建模方法研究

在定性贝叶斯网络的基础上,提出一种既包含定性符号信息,又包含概率分布定量信息的半定性贝叶斯网络,用以集成多个专家的知识和经验,通过一个与专家反复交互的过程,构建出相关问题领域的稳定的贝叶斯网络模型。提出利用区间数来统一表达多个专家的定性或定量的判断意见,给出了在半定性贝叶斯网络中进行概率推理的区间数传播算法,并通过算例验证其有效性。     

含隐变量和选择偏差的图模型中的因果推断

Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。     

4连通图中可去边的分布

图的可收缩边与可去边是研究连通图的构造和使用归纳法证明连通图的一些性质的有力工具．本文利用边点割端片的性质给出某些4连通图中在特定子图上可去边的分布情况，得到了4连通图图上存在至少两条可去边的更一般的充分条件，改进了吴吉昌等的结果．同时给出4连通图4圈上和边点割原子及分离对上的可去边的分布．     

基于贝叶斯网络的地铁项目施工风险管理研究

收集近年来我国施工安全风险事故发生的数据并进行整理,通过专家调查法确定出大连市地铁一期工程西安路站中存在的主要风险因素;根据各风险因素之间的因果关系,确定出相应的贝叶斯网络模型;该项目施工风险发生概率可以运用以贝叶斯网络为基础的正向因果推理技术进行预测,运用反向推理技术进行施工风险诊断.结果表明:该地铁项目施工安全风险发生概率为0.530,该数据表明地铁项目施工安全整体风险水平为中等等级.确定使大连市地铁一期工程处于危险状态的关键因素为:施工测量数据不准确、施工组织或施工方案不详细及操作过程连接不合理.     

SDG-Based HAZOP and Fault Diagnosis Analysis to the Inversion of Synthetic Ammonia

This paper presents some practical applications of signed directed graphs (SDGs) to computeraided hazard and operability study (HAZOP) and fault diagnosis, based on an analysis of the SDG theory. The SDG is modeled for the inversion of synthetic ammonia, which is highly dangerous in process industry, and HAZOP and fault diagnosis based on the SDG model are presented. A new reasoning method, whereby inverse inference is combined with forward inference, is presented to implement SDG fault diagnosis based on a breadth-first algorithm with consistency rules. Compared with conventional inference engines, this new method can better avoid qualitative spuriousness and combination explosion, and can deal with unobservable nodes in SDGs more effectively. Experimental results show the validity and advantages of the new SDG method.