面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network,BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明:WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。

基于多模型集的主汽温多模型预测控制方法

针对一类可以采用一阶惯性加纯滞后模型描述不同工况下动态特性且随工况变化的工业过程,提出一种基于对象特征参数极大极小值的多模型集建立方法,采用递推贝叶斯概率加权方法获得全局预测模型,并以此设计多模型预测控制器以满足工况大范围变化的控制要求,同时在进行误差校正时,预先补偿由于工况动态变化所带来的模型预测误差,以提高预测精度。对电站锅炉主汽温系统的仿真结果表明在各工况下均有很好的定值跟踪能力,在大范围工况变化时,能够将主汽温度稳定在设定值附近。

在线场景更新的多阶段非线性模型预测聚合反应控制

针对聚合过程中时不变不确定性参数不能直接估计的情况,导致的多阶段非线性模型预测控制中场景树生成的合理性问题,提出一种基于贝叶斯概率加权的在线场景更新算法.该方法利用前一时间步中每个场景的模型预测信息和过程状态测量信息计算对应场景的概率权重,然后通过合适的自适应步长在线更新场景树中不确定性的离散实现场景.所提方法在保证过程约束满足的同时,逐渐缩小不确定性集合逼近不确定性的真实值,从而降低保守性,提升控制器性能.通过多个批次的半间歇聚合反应过程实例仿真结果表明,所提出的方法可以有效降低批次反应时间,提高生产效率.