基于离散贝叶斯网络的电缆集电线线路故障定位方法

常规的电缆集电线线路故障定位方法以故障信号识别为主,故障区段的非平稳信号定位存在一定的失误,为解决该问题,设计了基于离散贝叶斯网络的电缆集电线线路故障定位方法。提取电缆集电线线路等效注入电流特征,对电缆支路上的电流变化特征进行分析,避免故障失误的问题。基于离散贝叶斯网络构建集电线路故障定位模型,根据发电机组的稳态电动势,定位电流故障分量的支路区段,满足故障定位需求。修正电缆集电线路故障定位误差,补偿单端阻抗测距的零序电流,得到故障相的电压与电流,从而确定故障的边界条件,保证故障定位的准确性。采用对比实验,验证了该方法的定位准确性更高,能够应用于实际生活中。

基于离散贝叶斯的电力线局域网通信节点故障定位方法

为提高电力线局域网通信的可靠性与稳定性,引进离散贝叶斯网络,以某电力线局域网为例,开展通信节点故障定位方法的设计。设定不同节点在通信过程中的参数具体取值,掌握是否有节点在通信中存在异常,根据用户的通信需求,进行电力线局域网通信分割粒度、不同节点在通信过程中风险指数、网节点与故障形式匹配度的计算,实现节点故障特征参数的提取;引进离散贝叶斯网络,提取节点的随机变量集合,建立针对节点故障离散数据的故障诊断模型,计算节点可能出现故障的概率;保留概率值较高的节点,将其与离散贝叶斯网络中的离散节点进行匹配,完成匹配后按照故障概率值的大小输出节点,实现电力线局域网(Local Area Network,LAN)通信节点故障辨识与自动定位。实验结果证明:该方法不仅可以实现对电力线局域网通信节点故障的定位,还可以缩短定位时长,实现对电力线局域网通信过程中节点故障的快速感知。

基于贝叶斯离散优化的电力调度网络发令多任务优先级解耦方法

电网输电线路的负荷率和利用率的不断加重,为电力系统运行调度增加了难度。为了合理规划调度任务,保证电网运行安全,研究基于贝叶斯离散优化的电力调度网络发令多任务优先级解耦方法。建立电力调度模型,设定调度优化目标和约束条件;基于贝叶斯离散优化预测电力负荷,为任务优先级判定提供依据;通过分块解耦动态仿真电力系统,将复杂外部系统转换为简单等值系统;通过电力调度多任务优先级解耦,划分优先级,接收操作令,完成电力调度的解耦。经实验论证分析,所提模型得到的解耦前后的仿真曲线较为吻合,仿真结果可以真实准确地反映电力系统的动态行为,对过载线路有功功率的调节效果明显,越限问题得到了很大程度的改善。

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。

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。

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。

基于离散时间贝叶斯网络的列控中心可靠性分析

针对动车组列控中心在实际工作环境中的故障同时具有多态性和动态性的问题,提出一种依据列控中心各单元的功能逻辑关系来建立离散时间贝叶斯网络的分析方法。归纳部件的多种故障模式并描述列控中心故障的多态特性,采用EM算法优化更新条件概率表;针对列控中心动态失效问题,建立动态贝叶斯网络模型,将一次任务划分为启动、运行、制动三个阶段,在各个阶段通过重要度和敏感性对该模型进行可靠性分析。最后,以CTCS-2级列控系统的列控中心为例,对该离散时间贝叶斯网络模型进行验证和分析,结果表明该方法能够很好地表征列控中心的多态性和动态性。

基于贝叶斯方法的发电机生命周期预测方法

为了对关键元件进行生命周期预测,提出了一种两阶段数据驱动的生命周期预测方法。在离线阶段,使用无监督变量选择方法寻找包含退化行为信息的变量,在此基础上,从所选变量中构建不同的健康指标,这些变量将退化状态表示为时间的函数,并作为参考模型保存在离线数据库中。在在线阶段,该方法将k近邻(k-NN)分类器作为剩余使用寿命预测器,找到与在线健康指标最相似的离线健康指标,使用离散贝叶斯滤波器来估计退化状态。利用发电厂发电机退化仿真数据对该方法进行了验证,结果表明,该方法能有效地预测发电机的剩余使用寿命,进而得到其生命周期。

基于贝叶斯网稀疏结构学习的信用影响因素结构发现

面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。

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。

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。

无人机蜂群攻击意图判断方法研究

无人机蜂群攻击意图判断涉及较多模糊不确定性因素,且判断过程属于不确定性推理过程,针对无人机蜂群攻击意图判断问题,提出一种基于离散动态贝叶斯网络-云模型的无人机蜂群攻击意图判断方法。根据无人机蜂群运用特点,构建无人机蜂群攻击意图判断指标体系,利用模糊逻辑理论将指标体系中的连续型变量转化为离散型变量,建立无人机蜂攻击意图判断方法模型,针对评估过程中指标数据缺失问题,采用前向信息修补算法进行信息预测修补。仿真分析结果表明:所提方法具有一定的容错能力,可结合前后信息进行有效判断,准确度更高。为反无人机蜂群运用指挥决策提供参考依据。