基于模糊贝叶斯网络的低空无人机运行风险评估

为解决目前城市低空环境下的无人机(UAV)运行安全风险问题,利用模糊贝叶斯网络(FBN)识别和评估低空无人机运行的关键风险因素。首先,在分析低空无人机运行流程基础上,从人-机-环-管角度分析低空无人机运行过程的风险因素。随后,利用GeNIe软件构建低空无人机运行风险评估贝叶斯网络(BN),利用专家先验知识和模糊集量化分析底事件的先验概率。最后,开展单因素分析、双因素分析以及敏感性分析,并以实例验证网络可行性。研究结果表明:低空无人机运行的关键风险因素为无人机电池故障、运行航线的环境障碍物以及无人机运行监管技术;FBN反向推理分析结果显示,环境相关风险(79%)、无人机设备风险(60%)是无人机运行过程主要风险因素。

基于模糊贝叶斯网络的星形细胞瘤智能分级模型

本研究提出一种新的融合影像低层视觉特征和语义的模糊贝叶斯网络模型,使用了高斯混合模型(GMM)对连续的视觉特征模糊化处理,解决了传统贝叶斯网络不能操作连续输入的问题,更合理地表达了具有模糊性、不确定性的专业领域的结构性知识。为了验证它的有效性,将它应用于星形细胞瘤恶性程度的分级,建立了一个概率模型,实验结果得出83.33%的正确识别率。该模型为星形细胞瘤恶性程度预测提供了新的定量而客观的辅助手段。

基于Bow-tie模型的模糊贝叶斯网络在风险评估中的应用

本文以Bow-tie模型为基础,借鉴工业部门风险分析方法,建立基于Bow-tie模型的模糊贝叶斯网络风险评估框架,实现从静态层次分析向动态网络推理转变、从风险评估向风险预测深化、从风险发生前评估向风险发生后分析发展,为内部审计职能拓展与价值深化提供借鉴。

基于TOPSIS-事故树和模糊贝叶斯网络的危险品运输风险评估

为有效评估危险品运输安全风险并识别薄弱环节,本文提出一种基于逼近理想解排序法(TOPSIS)的风险因素决策方法,筛选出危险品运输过程中的基本风险事件从而建立危险品运输事故树(FTA),并将其映射到贝叶斯网络(BN)中,通过专家评分与模糊集理论克服数据采集的限制^([1]),从而确定贝叶斯网络各节点概率分布。之后,通过在Netica模拟软件中,使用贝叶斯网络对危险货物运输的两个方向进行推断,高效、准确揭示各风险因素对运输事故的影响程度。1.评估模型1.1运输风险故障树模型FTA也被称为事故树分析法,它由美国贝尔学院的Waston及其同事提出。

模糊贝叶斯网络融合多传感器故障信息可靠性方法

传感器作为测量被控系统输出信号的主要装置,从多类型传感器的故障数据中提取有价值信息,综合不同传感器数据,整合同类型的数据,融合信息优化数据结果,以便准确获得有效信息。在此运用贝叶斯网络的条件概率描述了模糊信息,分析并提出模糊贝叶斯网络多传感系统,建立可靠性模型,该方法应用到飞行器不确定分析过程来处理多传感器模糊故障信息,实验证明可提升系统的分析效率。

基于模糊贝叶斯网络的星形细胞瘤分级预测与知识表达

针对医学影像特征具有模糊性和不确定性的特点,提出一种基于模糊贝叶斯网络的影像诊断预测模型。该模型使用高斯混合模型(GMM)对连续的视觉特征进行模糊量化处理,利用专家知识根据病症与影像特征之间的因果关系建立混合贝叶斯网络结构;由数据通过机器学习确定网络参数;采用概率推理定量估计病症的发生概率,从而建立一个可计算的预测模型。将该方法应用于星形细胞瘤分级预测,实验结果得出83.33%的正确识别率,远远超过使用最小近邻分类器(K-NN)实现连续变量硬(crisp)量化的贝叶斯网络模型,更合理地表达了具有模糊性、不确定性的专业领域的结构性知识,为星形细胞瘤恶性程度预测提供了新的辅助手段。

基于贝叶斯网络的Fuzzy-SVM路基震害预测模型

为解决现有路基震害预测方法主观性强且无法考虑非线性特征的问题,以贝叶斯网络(BN)为框架,将工程经验与历史路基震害样本融合,改进网络参数求解方法,建立一种基于BN的模糊(Fuzzy)-支持向量机(SVM)路基震害预测模型。利用Fuzzy理论求解BN参数的先验概率,同时利用SVM求解BN参数的实际样本潜在概率;基于贝叶斯原理,将先验概率与实际样本潜在概率融合,得到既满足震害工程经验又体现历史震害样本中非线性特性的预测模型。结果表明:将提出的预测模型应用于汶川地震影响区的42个路基隐患点,预测准确率为80.95%。该模型在小样本情况下较传统机器学习方法(以SVM为代表)精度更高;并且,该模型在路基属性不完整的情况下也能有效预测震害等级。

基于模糊贝叶斯网络的危险货物道路运输风险评价

易燃易爆、有毒的危险货物具有不稳定性,一旦发生运输事故容易引发二次灾害。为更好地从源头开展运输风险防控,系统、准确地评价危险货物道路运输风险状态,建立危险品道路运输风险指标体系,运用决策试验与评价实验室(DEMATEL)分析方法和解释结构模型(ISM)建立危险货物道路运输风险因素的层次结构模型,在此基础上采用模糊贝叶斯网络评价方法构建危险品道路运输风险评价模型;以系统层次结构模型为基础,将层次结构模型转化为贝叶斯网络结构模型,采用模糊理论及依赖不确定性有序加权平均(DUOWA)算法计算贝叶斯网络节点参数,并划分风险等级;将节点参数导入贝叶斯网络软件(NETICA)进行风险计算,通过贝叶斯网络推理,获得危险品道路运输风险等级和各评价指标的概率值,实现对系统整体风险概率、各因素对危险品运输风险影响程度的评估,发现系统的薄弱环节。

基于贝叶斯和层次模型的传感器网络节点故障预测研究

提出了运用贝叶斯理论和层次模型对传感器网络节点故障进行预测的方法,结合传感器网络各节点处理信息的时序关系,用定性分析将时间信息融合到节点中分析故障传播机制和故障预测.根据节点的历史信息和当前运行情况,预测和确定节点的故障概率;利用参数学习和概率推理,预测上层节点的故障概率.通过仿真实验并与其他预测方法进行比较分析,验证了该方法的可靠性和精确性,为传感器网络节点的故障预测提供了新的思路和方法.

基于模糊贝叶斯网络的星形细胞瘤恶性分级的研究

针对医学影像诊断的复杂性和不确定性,首次提出将模糊贝叶斯网络应用于星形细胞瘤恶性程度的诊断,通过采用条件高斯模型对连续输入进行模糊化处理,利用专家知识和数据,并通过机器学习,建立了星形细胞瘤恶性程度分级的概率模型。两个建模实验结果证明了这种方法的有效性,其中融合了低层视觉特征和中层语义的概率模型比仅仅使用低层视觉特征的模型有更高的识别率,使用60个测试样本,可达81.67%的识别率。该模型解决了贝叶斯网络连续输入的问题,为医生尤其是年轻医生提供了一个针对星形细胞瘤分级的较客观的定量诊断参考,为恶性程度预测提供新的辅助手段。

基于模糊贝叶斯网络的建筑火灾预警算法研究

提高建筑防火安全,降低建筑火灾预警结果的误报率与漏报率,本研究设计了基于模糊贝叶斯网络的建筑火灾预警算法。在构建火灾预警指标体系的基础上,结合贝叶斯网络构建事故树模型。将建筑物中待监控的火灾危险因素分为静态和动态两部分,依据事故树模型实现对建筑火灾的有效预警。仿真实验结果表明:应用该算法后,建筑火灾预警结果的误报率和漏报率有所下降。且该算法能够使火灾预警更及时,提高建筑物的安全性。

基于贝叶斯网络高斯混合模型医学图像检索的研究

结合医学影像诊断的实际情况,提出一种基于贝叶斯网络高斯混合模型的医学图像检索方法。算法首先引入条件高斯模型,将连续变量模糊离散化,再利用贝叶斯网络对医学图像进行语义建模,并最终完成基于内容的图像检索。实验采用医学图像库中的CT和MRI影像样本进行仿真,仿真结果显示,这种方法是有效的,可以满足医生的一般需要。

基于贝叶斯网络的学生学习评价模型研究

在学生模型中,学生学习评价是一个重要的部分,也是个性化教学中进行学习组织的一个很重要的依据。本文采用了贝叶斯网络中模糊逻辑的思想,运用模糊变换实现对学生认知能力的诊断及评价,评价学生对所学知识项的掌握程度。

基于模糊多态贝叶斯网络的地铁运营风险评估方法

从安全管理、人、设备设施和环境等4个方面确定18个地铁运营安全影响因素。采用解释结构模型分析影响因素之间的关系,构建结构模型,并将其转换为多态贝叶斯网络结构。同时,引入模糊集理论,将专家给出的自然语言变量转化为概率信息,输入到多态贝叶斯网络并进行风险评估。案例研究说明,该风险评估方法应用于地铁运营安全分析中切实可行。

基于模糊贝叶斯网络的城市商业综合体 火灾风险分析

为有效降低城市商业综合体火灾事故风险,首先根据城市商业综合体火灾事故的演化过程及其影响因素的因果分析,构建相应的故障树(FT)和事件树(ET)模型,并将其映射为贝叶斯网络(BN),确定影响因素之间的条件关系;然后采用基于专家判断的模糊理论来确定基本事件的先验概率,构建模糊BN(FBN)模型,以克服风险因素失效概率的不确定性;最后利用FBN建立的城市商业综合体火灾事故风险评估模型进行双向推理和敏感性分析,得出导致不同等级火灾事故的关键影响因素。研究表明:加强防火和防烟分区设计、提高防火分隔设施耐火等级、合理安装防火分隔设施、降低防排烟系统故障率,可有效杜绝高损失风险等级火灾事故的发生。

基于动态贝叶斯网络的甲醇船对船加注风险评估

为降低甲醇船对船加注泄漏的风险,构建动态贝叶斯网络模型对甲醇船对船加注泄漏风险进行评估,同时结合蝴蝶结模型、模糊集理论和遗漏概率模型对这类事故的致因和后果进行分析。结果表明,甲醇船对船加注泄漏事故的发生概率为0.04010,导致这类事故发生的主要因素为软管及法兰损坏。事故发生后发生闪火/池火的概率为0.00357,发生喷射火的概率为0.00401,发生蒸气云爆炸的概率为3.61×10^(-5)。

基于三角模糊云贝叶斯网络的盾构下穿段施工风险评估

为进行不确定性数据下地铁下穿施工风险评估,构建了基于三角模糊云贝叶斯网络(BN)的风险分析模型。将三角模糊数与云理论相结合,提出了定性评判向定量概率分布转化的方法。引入层次分析法(AHP)和状态影响因子得到云数字特征,生成随机风险云与统计方法计算节点条件概率表CPT。以实际工程为依托,建立了风险评价指标体系和网络模型,分析了施工风险水平和因素敏感性。研究结果与实际相吻合,验证了模型的合理性和有效性。

基于模糊BN和SHELLO模型的管制人为因素安全风险分析

为量化空中交通管理人为因素安全风险,识别相关风险的关键事件,将组织因素引入传统SHELL模型,将其拓展成新的空管人为因素分析模型SHELLO。利用贝叶斯网络,构建事故的致因关系。利用5年统计资料,计算管制员本身(L)、管制员与其他人员之间(L-L)、管制员与软件之间(L-S)、管制员与硬件之间(L-H)、管制员与环境之间(L-E)、管制员与组织之间(L-O)各基本风险事件的条件概率。针对"航空器之间距离小于规定间隔"事件进行了案例研究。结果表明:当这种事件发生时,有75%的概率与L因素有关,57%的概率与L-S有关,53%的概率与L-H有关,管制员自身是造成该事件的关键原因。

基于贝叶斯网络的网络交互教学成效评价系统

网络交互质量是影响网络教学效果的重要因素。已有的网络交互教学成效评价系统缺乏对学习过程的监控和对学习者的良好建模,评价大多凭借专家经验,评估的主观随意性大,评价结果与实际值存在一定的误差。贝叶斯网络有很强大的解决不确定问题的处理水平,是目前基于概率的不确定表达和智能推理方面最有效的理论模型之一。基于贝叶斯网络的网络交互教学成效评价系统,基于领域知识关系构建贝叶斯网络学生模型,并引入模糊数学变换方法对学生认知水平进行评估,能减少不正常因素的干扰,提高对学生认知能力评价的精确度,实现对网络教学交互的质量评估和个性化导学。

动态贝叶斯网络的无人机炮火校射

动态贝叶斯网络(D ynam ic B ayes ian N etw orks-DBN s),是对具有随机过程性质的不确定性问题进行建模和处理的一个有力工具。提出将隐马尔可夫模型(H idden M arkovM ode ls-HMM s)图形模式与贝叶斯网络结合起来构成DBN,将其用于无人机照相侦察情报的推理分析,决定炮火优先打击区域。首先建立动态贝叶斯网络的战场态势变化模型,而后应用HMM的推理算法获得当前隐含序列最优估计,且可预测出未来战场态势。最后应用模糊推理获得优先打击的区域号。仿真结果表明了模型的可行性。该方法有效解决了贝叶斯网络对于瞬间变化战场态势推理的不足的缺陷,为炮兵指挥员更好地运用火力,分出主次奠定了基础。