基于离散时间贝叶斯网络的动态故障树分析方法

提出了一种基于离散时间贝叶斯网络的动态故障树分析方法.首先给出优先与门、顺序相关门、备件门、功能相关门等动态逻辑门向离散时间贝叶斯网络的转化方法,在得到动态故障树对应的离散时间贝叶斯网络之后,再利用贝叶斯网络推理算法计算、诊断和预计顶事件概率、重要度等常规分析结果.对数字飞控计算机系统进行的分析表明,该方法能够保证较高的求解精度,其相对误差均保持在0.4%以内,而且易于扩展到多态和非确定性逻辑关系的情形.

目标数据缺失下离散动态贝叶斯网络的参数学习

离散动态贝叶斯网络参数学习的难点在于:隐藏节点的片间转移概率获得及观测数据发生不同程度缺失。针对上述问题,提出基于目标缺失数据估计的前向递归参数学习算法。该算法利用离散动态贝叶斯网络中各观测变量与隐藏变量之间的对应关系,采用支持向量机建立观测变量间的非线性函数关系完成缺失数据估计,此基础上利用完整数据集和前向递归算法完成片内和片间参数更新。以空中目标识别为仿真背景,通过与期望最大算法对比,验证了该算法的学习效率和精度两个方面的优势。

变结构离散动态贝叶斯网络及其推理算法

目前的动态贝叶斯网络的研究,是定义在每一个时间片的静态贝叶斯网络结构和参数都一致的基础上,对于过程突变,参数变化等情况就难以适应.为了解决这个问题,提出变结构离散动态贝叶斯网络的概念,并根据概率和动态贝叶斯网络的理论,推导出变结构离散动态贝叶斯网络的推理方法,对算法进行了验证并结合环境变化时的路径选择问题,进行了计算仿真.计算和仿真结果证明了文章提出的变结构离散动态贝叶斯网络的概念和推理算法的正确性.

基于离散时间贝叶斯网络的动态故障树分析的改良方法

传统基于离散时间贝叶斯网络的动态故障树分析方法的计算时间和计算精度受时间分段影响极大。基于复合梯形积分方法分析传统方法的计算误差,提出改良的动态门转化方法,补偿其计算误差。以某测量系统为例,建立动态故障树和贝叶斯网络,验证改良方法的可行性和高效性。结果表明:改良方法在时间分段较小时,能得到精确的系统失效概率。改良方法补偿了传统方法的计算误差,提高了结果的计算精度和计算效率,适用于服从各种常见分布的复杂系统。

基于离散动态贝叶斯网络的辐射源目标识别研究

提出基于离散动态贝叶斯网络模型,对若干可观测的目标特征参数进行综合推理。推导了离散动态贝叶斯网络的推理算法。建立了目标识别的离散动态贝叶斯网络模型。应用图形模式,使得计算量大大简化,降低了实用的复杂性。仿真结果表明,该方法能够将各种目标特征进行综合,使得各种特征及不同时刻的同一特征互相修正补充,克服了依靠单一特征进行目标识别的局限。

基于变结构离散动态贝叶斯IP网络拥塞链路推理

针对CLINK算法在路由改变时拥塞链路推理性能下降的问题,建立一种变结构离散动态贝叶斯网模型,通过引入马尔可夫性及时齐性假设简化该模型,并基于简化模型提出一种IP网络拥塞链路推理算法(VSDDB)。利用逐次超松弛迭代算法求解链路拥塞先验概率唯一解,基于贝叶斯最大后验准则,借助加权启发式贪心搜索算法推理拥塞链路集合。实验验证了VSDDB算法具有更好的推理性能。

离散模糊动态贝叶斯网络在目标分配中的应用

为了满足机动平台目标分配过程的动态性和实时性要求,提出了一种基于离散动态贝叶斯网络的目标分配方法。首先,提出了基于综合攻击优势和目标威胁的目标分配数学模型。然后,分别建立了基于离散动态贝叶斯网络的攻击优势和目标威胁评估模型,用来计算目标分配模型中所需数据。最后给出了仿真算例,验证了该模型的正确性和有效性。

基于多层递推离散动态贝叶斯网络的协同决策优化

根据电子对抗与火力打击协同使用分层递阶控制的特点,建立基于多层递推离散动态贝叶斯网络协同使用决策模型。依据协同理论,引入协同度概念,用协同度作为确定电子对抗与火力打击协同使用决策随时间变化的状态转移概率的依据。提出前向后向递归搜索算法,求解电子对抗与火力打击协同使用决策问题。通过仿真实验证明,该方法能够减少信息传输,缩短决策时间,大大增强动态不确定条件下决策的适应性。

时变动态贝叶斯网络模型及其在皮层脑电网络连接中的应用

大脑执行语言的发音需要顶叶、颞叶、额叶等多个脑区协同完成.皮层脑电具有高时间分辨率、较高空间分辨率和高信噪比等优势,为研究大脑的电生理特性提供了重要的技术手段.为了探索大脑对语言的动态处理过程,利用多尺度皮层脑电(标准电极与微电极)分析了被试在执行音节朗读任务时的皮层脑电信号的高频gamma段特征,提出采用时变动态贝叶斯网络构建单次实验任务的有向网络.结果显示该方法能够快速有效地构建语言任务过程中标准电极、微电极以及二者之间的有向网络连接,且反映了大规模网络(标准电极之间的连接)、局部网络(微电极之间的连接)以及大规模网络与局部网络之间的连接(标准电极与微电极之间的连接)随语言任务发生的动态改变.研究还发现,发音时刻之前与之后的网络连接存在显著性差异,且发音方式不同的音节网络间也存在明显差异.该研究将有助于癫痫等神经疾病的术前临床评估以及理解大脑对语言加工的实时处理过程.

基于动态贝叶斯网络及构件性能退化的钢板组合梁桥时变可靠性分析方法

为分析构件性能退化对钢板组合梁桥可靠性的影响,提出一种基于动态贝叶斯网络(Dynamic Bayesian Network,DBN)的时变可靠性分析方法。该方法首先依据材料劣化公式建立钢板组合梁桥抗力退化模型;然后基于DBN构建组合梁桥构件性能退化初始模型,利用钢板组合梁桥抗力退化模型随机生成不同变量组合作用下的抗力数据,对该初始模型进行训练,通过参数学习得到DBN先验模型及节点条件依赖关系,并加入观测节点及可靠度节点,建立适用于可靠性分析的DBN模型;最后输入桥梁检测数据,实现桥梁可靠度指标更新。采用该方法和蒙特卡洛法对某钢板组合梁桥时变可靠性进行分析,结果表明:2种方法预测结果基本一致,该方法可准确预测钢板组合梁时变可靠度;以可靠度为寿命评价指标,输入该桥运营60年时的检测信息,更新前、后该桥的使用寿命分别为75年、64年,应提前对桥梁采取维修与养护措施。

基于离散时间贝叶斯网络的CBTC车载设备可靠性分析

基于通信的列车控制系统(CBTC)车载设备用于实现列车安全防护和自动运行,其可靠性直接关系到列车的运行安全和效率。针对设备运营过程中的动态失效问题,基于离散时间贝叶斯网络(DTBN)对CBTC车载设备可靠性进行分析。首先,在分析CBTC车载设备功能结构的基础上构建系统动态故障树模型,基于动态故障树模型与DTBN模型的转换规则以及DTBN逻辑门条件概率表,建立基于DTBN的可靠性分析模型;其次,通过DTBN的正向推理实现CBTC车载设备的可靠度评估;最后,通过DTBN的反向推理及重要度计算,实现CBTC车载设备薄弱环节分析及重要度排序。结果表明:ATP子系统中输出继电器板、输出板等是CBTC车载设备最薄弱的板卡级设备,需重点关注。该方法能为CBTC车载设备的可靠性分析提供依据,有效提升系统智能运维水平。

基于时变离散DBN的无人机任务决策模型

针对动态战场环境下无人机自主任务决策问题,提出一种基于时变离散动态贝叶斯网络的决策模型学习算法。在获得的前一时刻模型结构和参数基础上,通过粒子滤波算法动态更新模型结构和参数状态,利用实时获得的非平稳观测信息,完成当前时刻的任务决策推理。仿真结果表明,该模型学习算法能够在威胁联网的战场环境中保证无人机任务决策的有效性。

贝叶斯网络下考虑攻击企图的目标威胁评估

为解决舰艇编队的防空目标威胁评估问题,针对现有威胁评估方法中忽略目标攻击企图,且只进行静态评估而未考虑目标机动导致的运动参数变化对威胁评估的影响之不足,提出了利用目标攻击时所表现出来的特征参数进行攻击企图估计,并分析了影响机动目标威胁程度的相关参数和变量,以目标信息更新周期为不同时间片,建立了用于动态评估目标威胁度的离散模糊动态贝叶斯网络结构模型。为适应编队防空中火力通道多、目标批次多的特点,将一般威胁等级从3级划分扩展为5级划分。给出了网络中主要节点的状态转移概率表和条件概率表。通过对机动目标按照典型攻击航路的威胁度变化仿真表明,所建立的模型和采用的方法合理有效,能够较为准确地反映目标威胁,贴近实战。

基于贝叶斯网络的系统可靠性评估方法研究

为了有效评估动态系统要素间的复杂行为和交互特性,提出了一种基于贝叶斯网络(Bayesian Network,BN)的可靠性建模与分析的新方法。该方法利用BN的不确定性推理和图形化表达的优势,能够很好地捕捉系统要素的行为与交互,以结构的方式组合各种基本BN架构为用户提供模块化和分级的途径对系统进行建模。实验结果表明该方法的可行性和有效性。从而提高了系统的灵敏度,减少了其不确定性。

基于健康监测数据和贝叶斯网络的结构失效概率评估

基于健康监测数据和贝叶斯网络(BN),提出结构体系失效概率的实时评估方法,用于结构整体安全状态的动态评价.根据结构响应监测数据建立贝叶斯动态线性模型(BDLM),估计结构荷载效应的概率分布,同时结合结构抗力分布,计算构件的时变可靠指标;根据结构主要失效模式构建贝叶斯网络,以描述构件失效与结构整体失效间的依赖关系;通过贝叶斯网络的概率递推从构件可靠指标求得结构体系失效概率,实现结构整体安全状态的量化评估.利用三杆桁架模型的数值模拟数据和某单层网壳结构静力破坏试验过程的实测数据对该方法进行验证.结果表明,所提出的结构失效概率评估方法较好地量化了结构的安全状态,并成功预警了结构体系的破坏.

基于离散度聚合算法的海洋核动力平台拖航作业风险分析

为了解决海洋核动力平台(MNPP)在拖航作业中面临的风险问题,提出了一种基于离散度聚合算法(DAM)的拖航作业风险分析方法。该方法采用故障树表示风险系统的层次关系,并映射为动态贝叶斯网络(DBN)结构;采用模糊集理论和专家评价克服缺乏客观统计数据的局限,基于离散度聚合方法确定模糊动态贝叶斯网络参数。针对建立的模糊动态贝叶斯网络模型,进行影响强度分析、因果推理分析、诊断推理分析和敏感性分析,得到拖航作业过程中最可能出现的风险路径、事故动态演化过程以及关键风险因素等。同时,给出了针对性风险控制措施,为现场作业和管理人员提供参考。

基于T-S动态故障树的桁架机器人系统可靠性分析

为了提高桁架机器人系统的动态可靠性,并且在发生故障时提升排查故障的效率,提出一种对桁架机器人系统动态可靠性分析的方法。首先,对桁架机器人系统建立T-S动态故障树;然后,把T-S动态故障树和T-S动态门规则分别转化为离散时间贝叶斯网络(DTBN)与相应网络节点的条件概率表,根据DTBN正反向推理分别计算得到各时间段以及任务时间内系统失效概率和根节点后验概率,并获得各根节点的T-S概率重要度、T-S关键重要度和灵敏度;最后,应用Monte Carlo仿真法进行验证,结果显示相对误差为0.29%,证明所提方法可行。给出当系统发生故障时应优先排查的零部件,并确定了系统薄弱环节,得出应优先提高可靠度的零部件,为桁架机器人系统的动态可靠性分析提供了理论依据。

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。

采用动态故障树分析诊断系统故障的信息融合法

为提高系统故障诊断效率,提出了一种利用动态故障树分析诊断系统故障的信息融合方法,该方法充分发挥动态故障树建模和贝叶斯网络推理各自优势,通过集成系统结构信息和传感器信息来诊断系统故障.采用高效的零压缩二元决策图生成系统所有最小割集,并采用贝叶斯网络方法计算部件和最小割集的诊断重要度;根据传感器证据信息对系统特征函数化简,同时对部件和证据条件下割集的诊断重要度进行更新;综合考虑部件和割集诊断重要度设计了系统诊断决策算法,生成诊断决策树以指导维修人员恢复系统故障;最后通过实例验证了该故障诊断方法的有效性.