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.     

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。     

一种雷达HRRP在线自适应目标识别方法

“边录取、边学习、边建模”是一维高分辨距离像（HRRP）雷达自动目标识别（RATR）工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备（全姿态）的HRRP数据库可以看做是关于姿态（主要是方位）的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限．文中通过一种在线混合专家（OME）将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器（0GPC）．针对迭代在线GaHSS过程分类（IOGPC）的参数学习算法EP和EM,提出了一种双链Gauss过程（Bi—OGP）来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新．针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法．基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方（LMS）混合专家和0GPC的识别率．     

基于神经网络推理的故障诊断专家系统

本利用神经网络（ＮＮ）知识并行处理，自学习及联想记忆等功能，建立了基于网络推理的专家系统，论述了ＮＮ的结构，算法参数的确定，系统知识获取和离线／在线自学习功能提出了ＮＮ数值推理和ＥＳ深层逻辑概念相结合的输入／输出转换机制与ＮＮ推理的解释机制。研究表明系统具有良实用性。     

基于遗传算法的因果图网络结构学习

在因果图理论中,采用了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.但是因果图的结构得由领域专家给出,这在实际中很难办到.鉴于因果图结构的复杂度随论域中节点个数的增加呈指数上升,寻找最有可能因果图网络结构成为了NP-HARD难题.文中给出了如何利用已知数据集,寻找最有可能的因果图网络结构设计的遗传算法（Genetic Algorithm,GA）.     

基于BDD的新因果图算法及在银行外部欺诈风险中的应用

【目的】针对因果图传统推理方法中不交化割集的推理过程太过繁琐的问题,提出利用二元决策图(BDD)的推理方法。【方法】首先将因果图转化为标准化因果树,再转化为BDD结构,然后 通 过 搜 索 路 径 直 接 得 到 简 化 的 不 交 化 割 集。【结果】理论分析表明,该方法避开了求解最终割集的过程以及去除冗余的不交化割集的过程,从而降低了因果图推理中的计算复杂度。【结论】将新方法应用于银行外部欺诈风险实例中进行分析,通过与传统推理过程相比较,新方法更高效。
     

多值动态不确定因果图的推理算法研究

利用领域知识求解多值动态不确定因果图的联合概率分布所涉及的领域因果图的概率分布表达式构造难度大，针对这一问题，从2类因果循环图出发，提出一种基于图分解的推理算法。该算法极大地简化了全局概率分布表达式的构造过程，有效地降低了领域因果图概率分布表达式构造的难度。提高了多值动态不确定因果图的推理效率。     

联系数在因果图中的应用

因果图推理是基于概率论的知识表达,在实际工程中,针对其复杂性、数据缺乏等不确定性问题,提出二元联系数的区间因果图故障诊断方法,根据区间数的误差分布形式,使区间数与联系数相互转换,可客观地反映区间数因果图的不确定性.由实例表明,该方法可行、有效.因此把二元联系数应用于因果图理论中,从而对不确定性进行较全面的取值分析,使事件发生概率的结果更为合理.     

影响图学习之研究

文章通过对多种用于决策分析和不确定性推理的工具的比较,简要介绍目前影响图学习的相关工作,讨论了影响图学习的相关问题,并给出了几种影响图学习的方法（算法）。     

一种局部回归神经网络的在线学习算法

针对目前局部回归神经网络误差函数在线计算复杂的缺陷,利用信号流图(SFG)基本理论,通过分析信号流图(SFG)和转置信号流图(ASFG),将神经网络的误差导数的信号流图(SFG)和转置信号流图(ASFG)分别级联在原始信号流图(SFG)和转置信号流图(ASFG)上,构成单输出自回归神经网络．依据因果非线性时变系统流图计算仅仅与网络拓扑结构有关的理论,推导了一种与网络结构无关的在线后向BP学习算法,较好地解决了对任意结构的局部回归神经网络的在线学习问题．仿真结果表明了本算法的有效性．