基于oCSE-BS方法的动态因果网络构建研究

科学构建观察现象背后因果关系是各领域研究的一个基本问题。oCSE是构建动态因果网络的一种经典方法,它通过依次寻找单个节点的因果父集逐层构建网络,区别于当前通用的由成对节点间因果关系简单合成网络的思路。oCSE能够更充分利用数据生成高质量网络,但其存在两点局限:当出现多重传递性或共因性因素时易误判因果关系;大量测算对比致使时间效率偏低。为克服上述局限,本研究提出一种改进方法oCSE-BS:引入贝叶斯评分推断特殊情况下测试节点与目标节点的因果关系,避免引入伪父节点,提升识别因果关系的正确率;采取早期丢弃策略过滤弱相关节点,避免完全搜索带来的高计算量,提升算法运行的时间效率。经验证oCSE-BS在生成网络质量和时间效率方面均优于oCSE,同时发现其运行效果对网络规模、网络稀疏度敏感度较高,对样本噪音敏感度较低。

基于时序因果网络的电力系统故障诊断

电力系统发生故障后的警报信息具有时序特性,如何适当利用这种时序特性以快速而准确地诊断故障是一个值得研究的重要问题。现有的具备实际应用潜力的故障诊断方法大多没有利用警报信息的时序特性。因果网络可以描述设备故障与保护和断路器动作之间的逻辑关系,且具有推理速度快、维护方便等优点。在此背景下,针对电力系统故障诊断问题的特征,首先对因果网络进行了扩展,引入了警报信息时序特性约束的概念,构建了一种新的时序因果网络;之后,提出了基于时序因果网络的故障诊断方法。所述方法在保留了因果网络原有特点的前提下,在一定程度上克服了其容错性较差和难以合理解释故障演变过程的不足。最后,用实际电力系统发生的故障案例对所提出的方法进行了说明。

基于非参数因果网络的风险溢出分析及多因子预测

风险溢出是系统性金融风险产生和演化的核心动因,因此,探究风险的溢出路径与强度至关重要.为了弥补传统方法在维度与参数上的局限,本文将非参数条件互信息检验与因果网络结构学习算法相结合,提出了一种新的非参数高维因果网络构建方法来分析金融系统波动溢出的动态联动性和风险传递机制.此文在非线性合成数据集中验证了该方法的有效性和稳健性并根据因果拓扑关系构造最优预测子集对序列进行多因子预测.并将该模型应用于构建2013年1月至2019年12月期间全球81家能源公司日度股票收益的波动溢出网络,测量基本面与投资者两种维度的风险溢出强度动态变化并进行预测分析.此外,结合企业财务数据和宏观经济变量,考虑企业之间的业务异质性,探索风险溢出的决定因素.研究结果表明,1)能源产业链的上游以及高油价风险敞口的能源企业表现出较大的风险外溢效应和风险承受程度;2)除公司规模以外,企业资产收益率,边际收益等因素也影响溢出效应的强弱;3)能源公司的风险溢出在业务上存在很大差异,溢出驱动因素也有所不同,这对于在投资组合决策和监管政策设计等具有重要的参考价值;4)虽然因果预选信息选择策略结合非参数模型的短期预测效果要优于结合参数模型,但是随着预测步长的增加,参数模型的优势却更明显.

基于模糊因果网络的智能变电站故障诊断应用

变电站故障诊断对于事故后系统快速恢复正常运行具有重要的意义。针对变电站故障诊断中不确定信息的多源性和故障诊断的实时性,以变电站的保护信息为基础,提出了基于模糊因果网络(FCE-Nets)的变电站故障诊断方法。根据变电站各保护间的因果关系将元件分成三类基本关联节点,通过故障电气量关联函数改进保护信息的缺失校核机制,利用FCE-Nets进行逆向推理。在云会智能变电站上的应用表明,在变电站发生告警时本方法能够及时有效地进行故障诊断。

概率因果网络在汽轮机故障诊断中的应用

在分析了汽轮机振动故障特点的基础上 ,提出了用遗传算法进行汽轮机等旋转机械故障诊断问题 ,定义了遗传算法求解故障诊断问题的概率因果网络 ,给出了求解故障诊断的数学表达式和适合汽轮机等旋转机械的故障集、征兆集、因果强度和先验概率表。建立了汽轮机故障诊断模型 ,指出表达式的最小值的集合对应于故障集和征兆集。以某汽轮机故障为例验证了该方法的有效性。该模型能有效地识别出汽轮机的多故障 ,弥补了专家系统和神经网络等诊断方法不能正确诊断多故障的不足。

基于双层因果网络的鱼病诊断模型及其应用

通过分析鱼病传播的因果关系,构建了“症状—疾病—病因”的鱼病诊断模型,并转化为“症状—疾病”和“疾病—病因”的集合问题,采用模糊数学和覆盖集理论以及现代优化算法求解.通过实例证明,该模型可以得到有效的疾病范围、疾病发生可能性和相应的病因分析,诊断结论可以指导用户有针对性地进行鱼病防治.

基于混合因果网络的配电变电站故障诊断

因果网模型具有快速求解诊断结论的优势,但其浅层知识推理的性质,又使诊断结论易受不确定信息的影响。根据变电站内局域网能获得全方位信息的可行性,如事件序列记录(SOE)、断路器变位信息序列、故障录波等。文中提出了基于混合因果网模型的故障诊断方法,该方法的要点是充分运用信息间的关联性提取冗余信息,并用做冗余纠错分析和深层知识推理;提出了5类基本因果关系节点用于构造混合因果网及其规则矩阵。研究的关键点是可确保对状态向量正确的布尔赋值。仿真结果证明能有效提高在线故障诊断的容错性能,使混合因果网模型具有高实用性。

面向社交媒体的直接因果网络发现算法

高维时序因果网络发现是社交媒体因果关系发现的重要问题。然而,现有的时序因果关系发现方法不能发现直接因果以致因果网络推断结果不准确。针对此问题提出了一种直接因果网络发现方法。该方法考虑了时序因果模型的因果延迟、滞后期数量和条件节点集等因素,更准确地发现直接因果关系;另外,采用结合置换检验的因果关系检验方法,解决传递熵阈值难以设定的问题。实验结果表明,该方法在因果网络推断中优于现有方法,有效提升时序上直接因果网络推断的准确率,适用于发现潜在社交媒体因果关系网络。

汽轮机故障诊断的因果网络群智能算法模型

在利用概率因果网络模型进行汽轮机故障诊断过程中,传统的基于简约覆盖理论的求算方法不能直接得到诊断问题的解,而且当故障节点较多或网络层次较多时,存在着"组合爆炸"、计算量呈指数速度增加等问题;对此,基于群智能理论,建立汽轮发电机组故障诊断系统概率因果网络群智能算法模型,给出基本的群运算法则及改进方法,将焦点放在有限空间的诊断推理上,并实现并行处理,很好地解决了传统算法中的问题;最后一个应用实例验证了此方法的优越性及工程实用性。

基于属性选择的因果网络多传感器融合系统

针对粗集“简化”在实际应用中存在的问题提出了“统计简化”的定义和相应属性搜索算法。利用此算法对一个水域污染监测信息表进行属性简化 ,结果显示与常规算法相比 ,此算法得到的结果能够覆盖最大数量的对象 ,更不易失配。利用简化结果对上述数据融合系统建立了因果网络模型 ,实验表明 ,在保持原模型搜索正确率的同时 ,新模型压缩了搜索空间 ,提高了搜索效率。此外 ,为便于因果网络的建立导出了因果连接强度的粗集表达式。

LPR改革前后货币政策利率传导效应的实证研究——基于改进的条件格兰杰因果网络

贷款市场、债券市场、货币市场等金融市场共同组成了一个相互影响的多主体金融系统,货币政策的利率传导效应具有复杂性。文章提出了一种改进的条件格兰杰因果网络方法,通过分析利率传导网络的结构性特征,发现LPR改革有效打通了货币政策的利率传导路径,改革后货币政策主要通过报价路径、成本路径、定向货币政策工具路径传导到贷款市场。

基于因果网络模型的飞机通信系统故障诊断

研究了基于因果网络模型的故障诊断方法,首先建立因果网络模型,并进行模型匹配;然后用Warshall算法实现邻接矩阵到可达矩阵的转换,采用逻辑数组法产生候选诊断模型;接着利用概率论的方法给出系统故障诊断的推理策略;最后,将该诊断模型应用于飞机通信系统,诊断实例验证了设计方法的实用性。

一种快速因果网络骨架学习算法

针对传统因果网络结构学习算法难以适用于高维网络的问题,该文提出1种快速且适用于高维网络的因果网络骨架构建算法。采取基于最大依赖性、最小冗余度的互信息加速策略,在2个节点间找出2个因果节点集,在这2个因果节点集的并集内分别对节点进行条件独立性测试。真实数据实验表明,在对高维网络进行结构学习时,该文算法的时间复杂度优于传统算法;由于减少了条件独立性测试的次数,提高了网络识别的准确率。

概率因果网络连接树算法在故障诊断中的应用

为提高飞机航电系统故障诊断效率,充分利用故障模型中的概率信息,减少故障诊断时的计算量,使用概率因果网络中的连接树算法建立故障模型,使故障节点中的信息满足全局一致性,利用逆转弧方法(AR)得到信息传递图,确定信息在节点中的传递方式,采用惰性传播及逆转弧变量消除算法(LAZY-ARVE)进行概率计算,得到最终的诊断结果。最后以飞机通信系统出现故障,接入ACARS控制组件的FMGC信号错误为例进行验证。

一种基于因果网络的支持向量回归特征选择算法

为了提高支持向量回归算法的学习能力,提出了一种基于因果网络的特征选择算法.该方法假设目标变量和特征候选集之间符合一个因果网络模型,然后利用基于条件独立性测试的方法对目标变量的直接影响特征进行识别,从候选特征集之中获取与目标变量有着直接因果关系的特征子集.虚拟和真实数据集上的实验结果表明,该特征选择算法适用于支持向量回归算法,优于目前其他算法.

语篇因果网络结构

本文从认知-功能视角分析语言篇章结构,揭示语言的本质属性;从研究语篇的概念段因果结构规律入手,论证语言篇章结构是因果网络结构。

机电BIT系统中基于因果网络模型的传感器证实算法研究

随着对诊断决策要求的提高,传感器证实已经逐渐成为机电设计状态检测和诊断系统中不可忽视的技术。通过对研究方法的调研和总结,考虑到在BIT系统中应用的特点及需求,研究采用基于知识模型冗余的传感器证实技术以实现更好的实时性。研究了基于传感器因果网络模型的传感器证实算法,实现对网络中节点和链接间相关信息的融合,以得到准确的证实结果,并在实例应用中验证了方法的有效性。

灵敏性分析下的因果网络参数的扰动学习研究

联合观察数据和扰动数据学习因果网络是一种基于扰动的机器学习方法,通过扰动学习可以利用少量样本发现网络中的因果关系,扰动对于因果关系的影响主要体现在网络参数方面。提出了一种基于灵敏性分析的因果网络参数的扰动学习算法(intervention learning of parameter sensitivity analysis,ILPSA)。对于给定的先验网络,ILPSA算法利用联合树推理算法生成灵敏性函数,通过对灵敏性函数的参数重要性分析提出扰动结点的一种主动选取方法;对扰动结点的主动干扰产生扰动数据,然后联合观察数据和扰动数据,利用最大似然估计(maximum likelihood estimation,MLE)方法学习因果网络的参数,并利用KL距离对学习结果进行评价。算法比较和实验结果表明,ILPSA算法的学习结果明显好于随机选择扰动结点和无扰动情况下的方法,特别在样本较小的情况下优势更明显。

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.

社会科学中的因果分析--潜在结果模型、因果网络模型与ABM

因果问题是社会科学的核心问题。在因果研究中采取反事实的因果定义已在各学科中达成共识。在这一前提下,当前社会科学的因果分析主要在三大方法论框架下展开:潜在结果模型、因果网络模型和ABM。本文对这三大方法论框架的核心思想及其主要模型和方法进行了回顾,首先按照数据类型和混淆变量的可观测性对倾向值匹配、加权、工具变量、断点回归、双重差分法等传统的模型进行了梳理,并介绍了与机器学习结合的最新进展;接着对因果网络模型的来源和其主要方法——贝叶斯因果图——进行了介绍,并简单阐述了贝叶斯因果图对于揭示横向因果机制的作用;最后对ABM的模型原理进行了介绍,分析了其在识别因果关系上的限制及其用于分析纵向因果机制的前提条件、优势与局限。本文希望通过系统性的梳理来为社会科学研究者了解因果分析方法体系及其前沿进展提供参考。