论文部分内容阅读
在过去的几十年当中，人工智能领域关于不确定性知识系统的研究中获得了很大的进展，对于表达不确定知识的有效工具贝叶斯网络的研究也逐渐深入，作为贝叶斯网络的灵敏性分析也成为实际应用研究中的一个热点。贝叶斯网络的灵敏性分析是研究模型局部参数或证据微小变化对于目标结点所产生的影响，灵敏性分析在医药、土木工程、计算机，以及故障诊断等领域有着广泛的应用。然而对于动态贝叶斯网络，迄今为止仍然没有一种有效的灵敏性分析算法，因此本文基于动态贝叶斯网络推理算法FF算法的基础上提出了一种灵敏性分析方法，并且将贝叶斯网络的灵敏性分析方法引入到复杂系统的故障诊断中，本文的主要研究内容如下：(1)贝叶斯网络的概述，全面介绍和分析了贝叶斯网络灵敏性分析以及故障诊断的研究背景、研究现状。(2)针对马尔科夫模型（HMMs）灵敏性分析方法不能用于分析一般动态贝叶斯网络灵敏性和灵敏性分析计算复杂性高的问题，提出一种可有效处理动态贝叶斯网络灵敏性分析算法（SA_FF）。SA_FF算法利用FF近似推理算法（Factored Frontier）思想求解动态贝叶斯网络的灵敏性函数，通过对边界(Frontier)的动态推理建立参数与目标结点条件概率分布之间的函数关系；SA_FF算法在灵敏性函数推理计算过程中，通过对局部性边界的边缘化进行信息传播，不需要对模型的联合概率分布进行更新，显著提高了计算的效率，且可用于多参数灵敏性分析，但会引入一定的误差；进而，通过误差分析证明误差是有界的。通过实例计算的比较和分析显示SA_FF算法的有效性。(3)针对DFC算法判断结点的重要性时只考虑自身状态概率的片面性，增大了寻找异常结点的时间，导致算法时间复杂性偏高的问题，将灵敏性分析用于故障诊断中，提出了高效的故障诊断算法：SA_FD算法。SA_FD算法通过计算结点灵敏度，将结点的状态对于子结点的影响与其状态参数对于子结点的影响程度结合起来，能够准确的判断出网络中的重要结点，缩短了寻找异常结点的时间，从而能以最快的效率诊断出系统中的故障结点，提高了故障诊断的效率。