一种新的Bayes网络条件概率学习方法

针对大规模Bayes网络的条件概率赋值问题,提出一种学习方法.首先使用类层次结构定义一种新的基于层次的Bayes网络模型,用于表示大规模Bayes网络.然后将训练数据集由单个数据表的形式转化成多表数据库,其中每个数据库表对应一个Bayes网络模块.在此基础上导出条件概率计算公式,从每个数据库表中算出相应的Bayes网络模块的条件概率表,由此实现对整个层次Bayes网络的概率赋值.通过适当增加数据库表的数目来控制每个表中属性的个数,保证计算的可行性.将层次Bayes网络及计算公式用于解决图像中文本的自动检测与定位问题,实验结果表明了它们的有效性.

基于测试性增长的指标动态评估方法

针对现有测试性指标评估方法未能考虑装备研制阶段不同层次结构测试性水平动态增长的特性,导致测试性评估置信度不高的问题,提出一种测试性增长条件下基于层次Bayes网络模型的测试性指标动态评估方法。根据装备结构特征建立测试性指标动态评估的层次Bayes网络模型,并以测试性指标作为网络传递参数;考虑延缓纠正的测试性增长试验策略,给定测试性阶段序化增长约束条件,针对不同层次节点各阶段增长试验数据,采用单边Fisher精确检验法对测试性增长趋势进行检验,并基于检验结果确定增长阶段数;提出利用最大熵模型和改进Gompertz模型的先验参数估计方法,结合Bayes定理以及研制阶段各层次节点先验信息确定节点先验分布;进一步基于层次Bayes网络融合推理算法确定顶层节点测试性指标的后验分布,实现对装备测试性指标的动态评估,并通过案例进行验证。结果表明,该方法相较于直接运用Beta分布,具备更为准确合理的指标评估结论。

故障样本量确定与分配一体化设计方案

针对当前测试性验证领域未能考虑故障样本量确定和样本分配2个环节的相互联系,以及现有样本分配方案对影响因子的选择没有统一的框架,导致确定的故障样本量和样本分配不合理的问题,提出了一种故障样本量确定与分配一体化设计方案。首先,以层次Bayes网络模型为框架,融合各节点测试性指标先验信息得到顶层测试性指标的融合分布,并建立故障样本量确定流程;其次,引入结构重要度作为样本分配影响因子,同时结合故障模式影响及危害性分析(FMECA)信息确定节点和故障模式的样本分配影响因子,提出基于节点和故障模式的二次分配框架实施样本分配;最后,通过实际案例进行对比分析。结果表明:相比其他样本分配方案,所提方案能充分考虑系统结构及其先验信息,进而实现了故障样本量确定和分配一体化方案的设计,保证了所确定的故障样本量和分配的合理性,具备更好的工程适用性。

基于后验分布的限制型故障样本量确定方法

针对现有测试性验证方案均选用最小样本量原则,在相同的双方风险及要求下会得到相同的样本量以及故障判据,而未考虑工程应用中不同装备系统具备不同结构和功能复杂度的问题,提出一种基于后验分布的限制型故障样本量确定方法。首先,根据装备系统结构划分构建层次Bayes网络测试性验证模型,融合各结构层次中蕴含的先验信息推导系统故障检测率的后验分布;其次,基于后验分布样本集,给出最小样本量原则下的样本量确定方法,再通过比例分层样本量分配方法,结合装备系统功能特性,给出限制型故障样本量确定方法;最后,通过实例进行分析。结果表明,该方法既能充分运用装备结构信息,较之经典验证方案以及传统Bayes方案,在相同指标约束下能有效降低样本量,又能考虑系统功能特性,保证了测试性验证结论的准确性和合理性。