贝叶斯网络分类模型研究及其在小样本故障诊断中的应用
发布时间：2020-12-11 17:34
目前一些常用的故障诊断方法都是以大样本数据集为基础的,但实际工程中受环境的限制只能得到小样本数据,有必要建立一种基于小样本故障诊断的分类模型。同时,在表达不确定性问题和多源信息表达与融合方面,基于人工智能的智故障诊断方法存在或多或少的缺陷。贝叶斯网络作为目前不确定性知识表达和推理领域最有效的理论模型之一,适用于不确定性和概率推理的知识表达和推理。因此,研究用贝叶斯网络构建分类性能良好的分类模型,对实际小样本故障诊断的应用是非常有意义的。本论文重点构建了两类贝叶斯分类模型。首先,针对现有朴素贝叶斯分类模型只能解决离散属性变量问题,对于连续变量的分类问题,往往要先进行预离散化,这容易造成分类信息的丢失,进而影响分类精度。本文通过分析混合高斯模型的特点,结合现有的朴素贝叶斯分类模型,构建了基于连续属性变量的贝叶斯分类模型(CNBC)。本论文建立了两类准确性评估模块,仿真试验表明,新构建的分类模型能有效提高对连续属性数据的分类精度,并且分类性能明显优于现有同类算法。鉴于朴素贝叶斯分类器尽管有良好的分类性能,但不能正确揭示变量之间的因果关系,本论文基于K2算法构建了通用贝叶斯网络分类器(GBNC...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图3-2分类器性能随训练样本数的变化曲线
20 个训练样本学习网络结构之前，它们之间的因果关系述为：A→B，C→D。这样做的好处是方便对学习到的网 K2 算法学习贝叶斯网络结构。离散等级 m 取 3，算法要，实现时取节点序列的倒序，学习到的结果如图 4-3 所示
下面选取第 5 级离散数据时的实验结果作为 GBNC_K2 分类模型的最终输出结果，分析数据间的网络结构。图4-4是取离散等级 时运行通用贝叶斯分类器GBNC_K2后学习到的网络结构，以及简单朴素贝叶斯分类模型SNBC所基于的网络结构（假设已知）。m =5a）GBNC_K2 分类模型生成的网络结构 b）SNBC 分类模型的网络结构图 4-4 两种分类模型生成的网络结构Fig.4-4 Structures trained by the two Bayesian classifiers从第一个网络结构可以直观地看出，类节点 Class 与属性节点 B、C 和 D直接相关，C 和 A 直接相关，这意味着 GBNC_K2 分类模型能从 IRIS 数据集里成功学习到变量之间的依赖关系。并且由第二、第三第四个属性特征直接决-41-
【参考文献】：
期刊论文
[1]一种基于贝叶斯和神经网络的医学图像组合分类方法[J]. 陈健美,宋顺林,朱玉全,宋余庆,陈耿,程鹏,桂长青. 计算机科学. 2008(03)
[2]用于不完整数据的选择性贝叶斯分类器[J]. 陈景年,黄厚宽,田凤占,付树军. 计算机研究与发展. 2007(08)
[3]基于ICA与ViSOM的不完整数据处理[J]. 彭红毅,蒋春福,朱思铭. 计算机科学. 2007(07)
[4]一种基于不完整数据的朴素贝叶斯分类器[J]. 陈景年,黄厚宽,田凤占,乔珠峰. 计算机工程. 2006(17)
[5]面向大规模数据集的贝叶斯网络参数学习算法[J]. 张少中,章锦文,张志勇,韩美君,王秀坤. 计算机应用. 2006(07)
[6]现代故障诊断技术研究现状与趋势[J]. 赵翔,黄磊,刘健,周绍骑. 后勤工程学院学报. 2006(02)
[7]具有丢失数据的贝叶斯网络结构学习研究[J]. 王双成,苑森淼. 软件学报. 2004(07)
[8]故障诊断方法发展动向[J]. 曾儒伟,许诚,曾亮. 航空计算技术. 2003(03)
[9]基于贝叶斯网络的分类器研究[J]. 周颜军,王双成,王辉. 东北师大学报(自然科学版). 2003(02)
[10]大型汽轮发电机组故障诊断技术现状与发展[J]. 乔海涛,冯永新. 广东电力. 2003(02)
硕士论文
[1]贝叶斯网络在机械故障诊断中的应用研究[D]. 罗江华.重庆大学 2006
本文编号：2910950
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图3-2分类器性能随训练样本数的变化曲线
20 个训练样本学习网络结构之前，它们之间的因果关系述为：A→B，C→D。这样做的好处是方便对学习到的网 K2 算法学习贝叶斯网络结构。离散等级 m 取 3，算法要，实现时取节点序列的倒序，学习到的结果如图 4-3 所示
下面选取第 5 级离散数据时的实验结果作为 GBNC_K2 分类模型的最终输出结果，分析数据间的网络结构。图4-4是取离散等级 时运行通用贝叶斯分类器GBNC_K2后学习到的网络结构，以及简单朴素贝叶斯分类模型SNBC所基于的网络结构（假设已知）。m =5a）GBNC_K2 分类模型生成的网络结构 b）SNBC 分类模型的网络结构图 4-4 两种分类模型生成的网络结构Fig.4-4 Structures trained by the two Bayesian classifiers从第一个网络结构可以直观地看出，类节点 Class 与属性节点 B、C 和 D直接相关，C 和 A 直接相关，这意味着 GBNC_K2 分类模型能从 IRIS 数据集里成功学习到变量之间的依赖关系。并且由第二、第三第四个属性特征直接决-41-
【参考文献】：
期刊论文
[1]一种基于贝叶斯和神经网络的医学图像组合分类方法[J]. 陈健美,宋顺林,朱玉全,宋余庆,陈耿,程鹏,桂长青. 计算机科学. 2008(03)
[2]用于不完整数据的选择性贝叶斯分类器[J]. 陈景年,黄厚宽,田凤占,付树军. 计算机研究与发展. 2007(08)
[3]基于ICA与ViSOM的不完整数据处理[J]. 彭红毅,蒋春福,朱思铭. 计算机科学. 2007(07)
[4]一种基于不完整数据的朴素贝叶斯分类器[J]. 陈景年,黄厚宽,田凤占,乔珠峰. 计算机工程. 2006(17)
[5]面向大规模数据集的贝叶斯网络参数学习算法[J]. 张少中,章锦文,张志勇,韩美君,王秀坤. 计算机应用. 2006(07)
[6]现代故障诊断技术研究现状与趋势[J]. 赵翔,黄磊,刘健,周绍骑. 后勤工程学院学报. 2006(02)
[7]具有丢失数据的贝叶斯网络结构学习研究[J]. 王双成,苑森淼. 软件学报. 2004(07)
[8]故障诊断方法发展动向[J]. 曾儒伟,许诚,曾亮. 航空计算技术. 2003(03)
[9]基于贝叶斯网络的分类器研究[J]. 周颜军,王双成,王辉. 东北师大学报(自然科学版). 2003(02)
[10]大型汽轮发电机组故障诊断技术现状与发展[J]. 乔海涛,冯永新. 广东电力. 2003(02)
硕士论文
[1]贝叶斯网络在机械故障诊断中的应用研究[D]. 罗江华.重庆大学 2006
本文编号：2910950
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2910950.html
