| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 561 | 一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法 | CN201911268733.2 | 2019-12-11 | CN110889501A | 2020-03-17 | 冀俊忠; 刘金铎 |
| 本发明公开了一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，获取功能磁共振成像数据；使用DPABI软件包对原始图像数据进行数据预处理；选取需要识别效应连接的脑区作为感兴趣区域；使用非平稳动态贝叶斯网方法，对提取的感兴趣区域进行脑效应连接的识别；观察由非平稳动态贝叶斯网构建的不同时刻下的动态脑效应连接网络，对不同时刻的脑效应连接网络进行分析，从而进一步理解大脑的内在机理和运行模式。本发明将动态贝叶斯网方法作为基础框架方法，该方法可以从fMRI时间序列数据中，构建出随时间变化的动态人脑效应连接网络。 | ||||||
| 562 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | CN201911096262.1 | 2019-11-11 | CN110826237A | 2020-02-21 | 潘侃; 刘柱揆; 杨政; 尹春林; 朱华; 张征容; 程志万; 于辉; 刘斯扬 |
| 本申请公开了基于贝叶斯信念网络的风电设备可靠性分析方法及系统，方法包括获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；筛选出关键指标，构建风电设备可靠性指标体系；对所述关键指标的基础数据进行处理；根据处理后的数据，建立并优化贝叶斯信念网络模型；根据所述贝叶斯信念网络模型分析风电设备的可靠性。本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性，对于不确定性问题具有强大的处理能力，并且能够有效地进行多元信息表达与融合，能有效地按信息的相关关系进行融合，从而实现风电设备可靠性控制的实时化、智能化、可预测化，为风电机组运维提供科学的参考依据。 | ||||||
| 563 | 一种深度神经网络的贝叶斯结构学习方法及装置 | CN201910912494.3 | 2019-09-25 | CN110738242A | 2020-01-31 | 朱军; 邓志杰; 张钹 |
| 本发明实施例提供一种深度神经网络的贝叶斯结构学习方法及装置。所述方法包括构建一个包括多个内部结构相同的学习单元的深度神经网络，各学习单元含有若干隐层，隐层间包括复数种计算单元，网络结构为各计算单元的相对权重，并采用参数化的变分分布来建模网络结构；提取训练子集，采用重参数化过程采样网络结构；计算证据下界；若证据下界的变化超过损失阈值，则优化网络结构和网络权重，并开始新训练。本发明实施例通过构建包括多个具有相同内部结构的学习单元的深度神经网络，通过训练集对所述学习单元中各隐层间各计算单元的相对权重进行训练，以得到优化的网络结构，从而为深度神经网络的预测性能和预测不确定性带来了全面提升。 | ||||||
| 564 | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | CN201910694033.3 | 2019-07-30 | CN110620760A | 2019-12-27 | 殷国栋; 刘赢; 庄伟超; 王法安; 梁晋豪; 董昊轩; 汪; 卢彦博 |
| 本发明涉及一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置，检测方法包括以下步骤：采集待检测样本；对采集到的待检测样本进行样本预处理；将预处理后的样本导入训练完毕的SVM检测模型进行检测；对通过训练完毕的SVM检测模型检测后的结果进行判别，若判定未发生入侵，结束入侵检测；若判定发生入侵，将判别后的结果导入训练完毕的贝叶斯网络检测模型，辨别入侵来源；系统发出入侵警报并报告来源，结束入侵检测；本发明用于为车载FlexRay总线提供安全防护保障，检测出总线数据中的入侵行为，并判断出入侵来源（物理层或网络层），将检测结果通知网络管理员进行相应的处理，检测结果可使攻击防患于未然，为智能网联车信息安全防护提供技术支持。 | ||||||
| 565 | 一种基于贝叶斯网络的土质边坡坍塌事故诊断方法 | CN201910443406.X | 2019-05-27 | CN110610187A | 2019-12-24 | 杨志华; 谢洪涛; 代绍海; 段军; 刘波; 王甲贤; 贾述项; 余平军 |
| 本发明涉及一种基于贝叶斯网络的土质边坡坍塌事故诊断方法，属于土木工程技术领域。当样本数量达到设置阈值时，建立一个贝叶斯网结构原型，再通过数据学习来求精，从原型结构中获取最正确的结构；将贝叶斯网络各节点要素划分为多种状态，并用弧段建立节点之间的概率关系，采用EI算法对样本数据进行训练获取贝叶斯网络中节点状态演化的条件概率；建立多要素引发边坡坍塌事故发生的贝叶斯网络模型。本发明利用贝叶斯网络构建边坡坍塌事故诊断系统，实现了对原因复杂的边坡坍塌事故进行智能化诊断的功能，提高了事故诊断的准确性和灵活性，该系统不仅可用于事故诊断，还可用于坍塌事故的风险管理。 | ||||||
| 566 | 一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法 | CN201910859461.7 | 2019-09-11 | CN110570909A | 2019-12-13 | 刘建晓; 杨晨; 高辉; 杨轩; 黄穗宇; 阚裕隆 |
| 本发明涉及生物信息技术领域，提供了一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，包括S1-S4四个步骤。本发明的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，首先利用扩张、收缩、对称性检测三个阶段，通过条件互信息计算得到节点的马尔可夫毯，构建初始蜜源网络结构，然后，基于初始蜜源通过随机加边、减边、逆转边3种操作生成新的蜜源，直到达到最大初始蜜源数目，利用人工蜂群算法的三种操作(采蜜蜂、观察蜂和侦察蜂)与贝叶斯网络的BIC与MIT打分方法，对贝叶斯网络结构进行演化，找到最优的网络结构，快速准确的获取到影响表型性状的上位性基因位点，辅助基因功能挖掘。 | ||||||
| 567 | 一种基于贝叶斯网络的系统测量节点优化配置方法 | CN201611078752.5 | 2016-11-30 | CN108134680B | 2019-11-29 | 高升; 张伟; 何旭 |
| 本发明涉及一种基于贝叶斯网络的系统测量节点优化配置方法，建立系统的贝叶斯网络模型；根据贝叶斯网络模型计算故障节点和测量节点间的互信息矩阵；根据故障节点和测量节点间的互信息矩阵计算测点对故障节点诊断的贡献度，确定综合诊断能力指标；根据测点对故障节点诊断的贡献度及测点成本和测点数量限制描述优化问题；应用改进的离散二进制粒子群算法进行优化处理，得出测点的优化配置结果。本发明考虑了在满足约束条件下的传感器优化配置问题，更符合实际工程应用，同时考虑了测点的故障诊断能力和测量成本问题，然后通过改进的优化算法进行优化处理，从而找到系统最佳的测量节点配置方案。 | ||||||
| 568 | 基于贝叶斯网络高维感知数据本地差分隐私保护发布方法 | CN201910304858.X | 2019-04-16 | CN110378141A | 2019-10-25 | 杨树森; 徐静怡; 惠永昌 |
| 基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，每个用户持有自己的原始数据，首先在用户端对数据进行本地化隐私处理，后将处理后的数据发送至中心端，中心服务器对所有用户的数据基于贝叶斯网络进行相关性开采，用低维数据的联合概率分布来近似所有属性的联合分布，最后根据低维联合概率分布和贝叶斯网络结构合成新的数据集并发布；解决高维感知数据的属性关联与本地隐私保护需要相结合的难题，该方法不仅解决了高维给本地隐私保护带来的数据规模大和信噪比低的难题，同时也使得本地隐私保护对高维数据相关性识别的准确性问题可以通过参数设置来进行控制。 | ||||||
| 569 | 基于贝叶斯信念网络的LKJ故障预测诊断方法和系统 | CN201910384171.1 | 2019-05-09 | CN110334208A | 2019-10-15 | 杨献; 言圣; 谷丰; 李玺; 梁飞; 雷丽萍; 邓勇; 周洪毅; 周泓旭; 杨少彬 |
| 本发明公开了一种基于贝叶斯信念网络的LKJ故障预测诊断方法和系统，为LKJ在设备故障预测诊断领域的应用大大的提高了预测诊断效率和可靠性，能够帮助检修人员更快地找到潜在隐患，及时采取相应措施，避免大型故障的产生。其技术方案为：在故障诊断时，首先利用异常点识别的方法，找到相应的异常节点，然后带入异常故障关联网络，经过网络计算出对应的故障和发生的概率。再次带入故障分词关联网络，经过网络计算出对应的分词表征和发生的概率，从而实现故障预测诊断，基于模型建立的系统能及时发现问题、处理问题、规避风险，使列车运行过程中的安全性与稳定性得到有效保障。 | ||||||
| 570 | 基于结构化贝叶斯后验概率估计的神经网络压缩方法 | CN201910615130.9 | 2019-07-09 | CN110309919A | 2019-10-08 | 王琦; 李学龙; 郭年辉 |
| 本发明公开了一种基于结构化贝叶斯后验概率估计的神经网络压缩方法，用于解决现有神经网络压缩方法存在非结构化压缩的技术问题。技术方案是通过重参数技巧在训练过程中对模型参数w引入方差可学习的高斯噪声，将神经网络从数值优化问题变换为概率推理问题，实现基于因果推理的贝叶斯参数估计。同时采用分组概率估计的约束方法，实现分组的参数不确定性估计，结合稀疏先验，实现结构化的分组参数压缩，更有利于模型的移动端部署。本发明从分组贝叶斯估计的角度实现了神经网络参数的稀疏学习，解决了现有神经网络压缩方法非结构化压缩的技术问题。 | ||||||
| 571 | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | CN201910509533.5 | 2019-06-13 | CN110263835A | 2019-09-20 | 徐文刚; 石安池; 单治钢; 彭鹏; 倪卫达; 程万强; 姚晓雯 |
| 本发明涉及一种基于深度学习和贝叶斯网络的岩石类别自动识别方法。本发明的目的是提供一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，以快速、准确的识别岩石岩性。本发明的技术方案是：一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，包括以下步骤：获取待识别岩石图像中岩石的岩石大类和产状信息；将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；输出待识别岩石的岩性。本发明适用于地质学以及人工智能领域。 | ||||||
| 572 | 一种使用动态贝叶斯网络模型的语音识别系统和方法 | CN201380031695.3 | 2013-06-26 | CN104541324B | 2019-09-13 | 巴尔托什·焦尔科; 托马什·贾奇克 |
| 一种用于语音识别的计算机实现的方法，包括以下步骤：通过输入设备(102A)的方式，记录(201)表示语音的电信号，并将该信号转换为频域或时‑频域(202)，基于动态贝叶斯网络在分析模块中分析信号(205)，被配置为基于观察到的信号特征(OA，OV)生成单词(W)的假设和它们的概率，基于特定单词(W)假设和它们的概率，识别(209)出表示语音的电信号所对应的文本。该方法的特征在于，将观察到的信号特征(308‑312)输入到分析模块(205)中，其中，所述观察到的信号特征是在至少两条并行信号处理线(204a，204b，204c，204d，201a)上，为频域或时‑频域(202)中信号而确定的，其中每条线上的时间片段都不同，以及，在分析模块(205)中对至少两个不同的时间片段分析观察到的信号特征(308‑312)之间的关系。 | ||||||
| 573 | 基于贝叶斯网络的侦查无人机作战效能评估方法 | CN201910438099.6 | 2019-05-24 | CN110175773A | 2019-08-27 | 张迎周; 陈宏建; 傅建清; 肖雁冰; 黄秋月 |
| 本发明提供了一种基于贝叶斯网络的侦查无人机作战效能评估方法，包括建立效能评估指标体系、建立贝叶斯网络效能评估模型、贝叶斯网络推理三个部分。通过分析作战体系结构和基本作战流程，利用熵权法对效能评估指标集进行筛选，构建侦查无人机作战效能评估的指标体系，使得指标体系更加简单、合理；利用蒙特卡洛算法进行贝叶斯网络的参数学习，从而确定条件概率表，避免了手工输入条件概率表的麻烦，大大提高了效率；利用团树传播算法进行贝叶斯网络的精确推理，节省了推理的时间，提高了推理的准确性。 | ||||||
| 574 | 一种基于贝叶斯网络的卷烟配方规则提取和配方维护的方法 | CN201910262473.1 | 2019-04-02 | CN110134710A | 2019-08-16 | 张忠良; 陈愉予; 雒兴刚; 李晶; 王惠丰; 周林亚; 王一 |
| 本发明公开了一种基于贝叶斯网络的卷烟配方规则提取和配方维护的方法，步骤S1：采集H集团的配方历史数据以及单料烟信息数据；步骤S2：对采集的数据进行预处理；步骤S3：运用统计工具对卷烟配方数据进行统计分析；步骤S4：建立基于贝叶斯网络的卷烟配方识别模型，进行规则提取；步骤S5：构建卷烟配方维护的启发式方法。采用本发明的技术方案，通过卷烟配方历史数据以及单料烟信息数据建立贝叶斯网络，基于贝叶斯网络提出卷烟配方维护的启发式方法，从而大大降低了传统专家评吸方法带来的人力财力资源浪费和主观性造成的评吸质量问题。 | ||||||
| 575 | 基于模糊贝叶斯网络的森林火灾预警方法及系统 | CN201910358732.0 | 2019-04-30 | CN110097727A | 2019-08-06 | 严冬松; 林君; 董瀚江; 刘文骁; 李俊龙; 陆海天; 欧坤城; 黄衍铭; 李进桂; 胡建硕; 林泽楠; 聂仁泽; 李嘉明; 吴倩童; 黄晓杰 |
| 本发明为基于模糊贝叶斯网络的森林火灾预警方法及系统，属于消防安全领域，方法如下：无人机搭载多个传感器沿设定路线对森林进行巡检，实时感测行驶区域的数据并发送到地面站；地面站结合当地晴天数和易燃植物数进行易燃等级分级处理，根据温度、湿度、烟尘、气体信息进行火灾预警初判断；地面站接收各传感器数据后，采用模糊贝叶斯网络处理传感器数据，计算获得火灾发生概率；火灾概率较高时，地面站将火灾预警信号、是否有火灾、火灾实时情况以及位置信息发送给森林管理中心；火灾概率较低时，无人机沿设定路线等高飞行。本发明通过模糊贝叶斯网络算法对传感器数据进行处理，能够精确计算火灾概率，便于相关人员第一时间准确获知火灾情况。 | ||||||
| 576 | 一种基于模糊动态贝叶斯网络-自适应粒子滤波态势评估方法 | CN201910156015.X | 2019-03-01 | CN110046328A | 2019-07-23 | 胡燕祝; 王英剑; 艾新波; 王松 |
| 本发明公开了一种基于模糊动态贝叶斯网络-自适应粒子滤波态势评估方法，步骤是：1数据抗干扰及模糊化处理，2构建贝叶斯网络，3建立模糊动态贝叶斯网络,4分割模糊动态贝叶斯网络，5结合自适应粒子滤波。本发明与传统的态势评估方法相比，其优点为：采用线性回归模型对数据进行填充，结合属性删除和概念树提升技术实现数据模糊化以克服采集数据的不完备性，提高算法的准确性。相比较于静态推理算法，本发明介入时间特性提高了推理的实时性。将模糊动态贝叶斯网络分割后的每团结合自适应粒子滤波做预测处理，提高算法的速率和实时性。 | ||||||
| 577 | 一种基于贝叶斯网络模型的WSN缺失数据重建方法 | CN201910314948.7 | 2019-04-18 | CN110012446A | 2019-07-12 | 余翔; 樊霞; 廖明霞; 段思睿 |
| 本发明涉及一种基于贝叶斯网络模型的WSN缺失数据重建方法，属于无线传感器网络数据处理技术领域。该方法首先将每个时间周期划分成不同时隙，每一个时隙都包括数据收集、节点评估以及缺失数据重建三个时间段；数据收集阶段：含有缺失数据的传感器节点向邻近节点发送请求数据的信息；节点评估阶段：传感器节点根据最佳信任节点的判定标准挑选出最优的数据候选节点；缺失数据重建阶段：含有缺失数据的传感器节点首先建立贝叶斯网络模型，然后将最佳候选节点的数据作为辅助变量引入贝叶斯网络模型中，计算并选择最大条件概率所对应的数据替代传感器的缺失数值。本发明降低了数据错误率，且能够满足节点处于移动环境下实时处理信息的要求。 | ||||||
| 578 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 | CN201910160103.7 | 2019-03-04 | CN109949079A | 2019-06-28 | 王汝平 |
| 本申请提供基于贝叶斯网络模型的产品市场报告生成方法、装置，通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型，并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告，能够实现根据市场报告生成指令，自动形成对应产品的市场报告，且生成速度快，预测准确，不需要人工对产品特征数据进行大量的归类和总结，在会议中能够及时根据市场报告生成指令生成市场报告，方便使用者在会议上使用和讨论产品开发可行性，提高了会议效率和人力资源利用率。 | ||||||
| 579 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | CN201910058334.7 | 2019-01-22 | CN109902801A | 2019-06-18 | 覃晖; 刘永琦; 许继军; 肖雪; 姚立强; 李清清; 张振东; 李杰; 裴少乾; 卢健涛; 朱龙军; 汤凌云; 刘冠君; 田锐 |
| 本发明公开了一种基于变分推理贝叶斯神经网络的洪水集合预报方法，包括：设置贝叶斯神经网络各层维度；选定贝叶斯神经网络的权重参数的先验概率分布，通过变分参数对贝叶斯神经网络的权重参数进行参数化，来近似贝叶斯神经网络的权重参数的后验概率分布；计算先验概率分布与变分后验概率分布的相对熵，并根据训练数据集计算期望对数似然函数；根据相对熵和期望对数似然函数，构建目标函数；最大化目标函数，训练变分推理参数；使用训练好的变分推理贝叶斯神经网络，对未知洪水进行集合预报。本发明将变分推理与BNN模型结合，通过变分分布近似贝叶斯网络模型权重参数的后验概率，简化了计算过程，定量描述洪水预报的不确定性，提高准确度。 | ||||||
| 580 | 一种基于能耗数据和贝叶斯网络的挤压机异常检测方法及系统 | CN201910028040.X | 2019-01-11 | CN109894495A | 2019-06-18 | 杨慧芳; 杨海东; 徐康康 |
| 本发明公开了一种基于能耗数据和贝叶斯网络的挤压机异常检测方法及系统，本异常检测方法引入能耗模型分析方法，通过分析挤压机能耗数据，得到影响能耗的关键参数从而确定节点间的依赖关系，并根据节点和依赖关系构建异常检测贝叶斯网络结构，贝叶斯网络结构应用于挤压机的异常检测；同时，与现有的贝叶斯网络构建方法需要反复训练评估，网络模型复杂度高相比，本发明减少了大量的冗余计算与评估过程，降低贝叶斯网络构建的复杂性，提高了贝叶斯网络的鲁棒性和高效性，解决了现有挤压机的异常检测方法中存在大量的冗余计算与评估过程、网络模型复杂度高以及检测精度不够高等问题。 | ||||||
QQ群二维码
意见反馈
意见反馈