| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 621 | 一种基于多视角贝叶斯网络的多视角行人检测方法 | CN201310680608.9 | 2013-12-12 | CN103729620B | 2017-11-03 | 田永鸿; 彭佩玺; 王耀威; 黄铁军 |
| 本发明提出了一种基于视角贝叶斯网络模型的行人检测方法及装置，可以对多个摄像头监控的人群比较密集的场景进行行人检测和定位。不仅适用于前景提取效果较好的场景，也适用于前景提取效果不佳但可以通过行人检测器进行检测的场景。本发明的方法包括单视处理步骤、基平面映射步骤、多视角融合步骤和逆映射以及最终检测结果输出步骤。 | ||||||
| 622 | 一种贝叶斯网络约束的部件级三维模型构建方法 | CN201510261159.3 | 2015-05-21 | CN105006016B | 2017-10-27 | 周彬; 陈小武; 赵沁平; 毕浪; 卢飞翔; 王林 |
| 本发明公开了贝叶斯网络约束的部件级三维模型构建方法，步骤如下：首先，把目标对象置于缓慢转动的转盘上，使用Kinect对目标对象进行扫描，获得RGBD数据序列，结合深度图像融合算法(KinectFusion)生成初始三维点云；其次，利用交互式分割工具对初始三维点云进行修改，去除噪点及多余部分；在此基础上，利用已经训练好的贝叶斯网络对三维点云进行部件分割，对于每个分割好的部件，从三维模型部件库中自动挑选出符合要求的部件模型，利用非刚体变形算法，将候选三维部件配准到模型三维点云，并计算出候选三件部件的拟合度，进而挑选出最优三维部件；最后，利用保形变形算法，自动拼接最优三维部件，并变形拟合到模型三维点云，最终得到具有部件语义的三维模型。 | ||||||
| 623 | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | CN201710429259.1 | 2017-06-08 | CN107292431A | 2017-10-24 | 杨济海; 伍小生; 彭汐单; 巢玉坚; 李号号; 蔡志民; 王国欢; 王华; 付萍萍; 李东; 胡游君; 邱玉祥; 吕顺利; 邓伟; 刘皓; 蔡新忠; 查凡; 王宏; 丁传文; 许胜; 黄倩; 李石君; 余伟; 李宇轩; 陈雪莲; 陈艳华; 彭超 |
| 本发明涉及基于动态贝叶斯网络的电力通信网业务可靠性预测方法，基于电力通信网的拓扑结构，针对影响业务可靠性的各种因素，结合市政信息，建立设备和光缆状态转化的马尔科夫模型，建立基于业务通道拓扑结构的业务可靠性动态贝叶斯网络模型，本发明具有以下优点：1、考虑业务主通道和备用通道的关系，更准确的预测了业务的可靠性。2、在建立设备和光缆状态模型的同时，同时引入了故障率和修复率的影响，更加符合电力通信网的实际情况。3、在计算设备和光缆的可靠性时，不仅考虑了自身状态的改变，同时结合环境、设备端口占有率的影响，而且还引入了光缆段市政信息的影响，使得结果更加准确。 | ||||||
| 624 | 一种基于贝叶斯网络的网站缺陷预测方法及其实现系统 | CN201710417699.5 | 2017-06-06 | CN107133179A | 2017-09-05 | 朱朝阳; 石竹; 韩丽芳; 陈相舟; 周亮; 应欢; 刘欣 |
| 本发明公开了一种基于贝叶斯网络的网站缺陷预测方法及其实现系统，所述方法建立HTML贝叶斯网络结构以及代码贝叶斯网络结构，并对所述HTML贝叶斯网络结构以及代码贝叶斯网络结构输入历史度量元状态值进行最大似然性估算学习，构成贝叶斯网络模型；将带测网页的度量元状态值带入贝叶斯网络模型，得到预测的缺陷情况；所述实现系统包含度量元采集模块、度量元处理模块、HTML贝叶斯网络模块以及代码贝叶斯网络模块，所述度量元采集模块对HTML及代码的各度量元进行采集，并由度量元处理模块转换成度量元状态值，输入到HTML贝叶斯网络模块以及代码贝叶斯网络模块中进行缺陷预测。 | ||||||
| 625 | 一种基于关联规则与贝叶斯网络集成的推荐技术 | CN201610096873.6 | 2016-02-23 | CN107103000A | 2017-08-29 | 肖建军 |
| 针对商务网站的智能推荐技术，在关联规则的基础上学习贝叶斯网络结构，基于最优贝叶斯网络预测当前用户访问各网址的条件概率，找出条件概率最大的N个网址推荐给用户。首先，对网址进行关联分析，并将关联规则按提升度排序。然后，依据关联规则前后件的关系，将关联规则转化成初始贝叶斯网络。再然后对初始贝叶斯网络进行结构学习，寻找最优贝叶斯网络结构，并学习最优贝叶斯网络结构的参数。最后使用贝叶斯方法预测当前用户访问未知网址的概率，将概率最大的N个网址推荐给用户。本发明创造性地将关联规则和贝叶斯网络两种数据挖掘方法集成运用在网站智能推荐上，这两种方法结合互补，提高了模型的精确度和运算效率。 | ||||||
| 626 | 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置 | CN201710286010.X | 2017-04-27 | CN106934071A | 2017-07-07 | 刘宏志; 姜正申; 赵鹏; 吴中海; 张兴 |
| 本发明公开了一种基于异构信息网络和贝叶斯个性化排序的推荐方法及装置。所述方法使用异构信息网络来描述用户、物品及有关的信息，并使用基于带重启的随机游走的迭代方法来计算用户对每个物品的评分。对于异构信息网络中的各边的权重，本方法使用基于贝叶斯个性化排序的机器学习方法自动学习。在学习的过程中，本方法通过多次迭代求解，并从多轮迭代得到的多个候选解中选择最优的解。本发明还公开了一种基于异构信息网络和贝叶斯个性化排序的推荐装置。本发明中的推荐方法及装置，不仅可以自动的从数据中学习各异构信息网络中边的权重，从而大大提高对不同数据的适应能力，还可以更好的对用户偏好进行刻画，从而得到更好的个性化推荐结果。 | ||||||
| 627 | 基于贝叶斯正则化的深度学习网络图像识别方法 | CN201410266127.8 | 2014-06-15 | CN104077595B | 2017-06-20 | 乔俊飞; 潘广源; 韩红桂; 柴伟 |
| 基于贝叶斯正则化的深度学习网络图像识别方法属于人工智能和机器学习领域。深度信念网络越来越多的在数字检测及图像识别领域发挥重要作用。为了解决该网络在训练过程中的过拟合问题，本文基于网络的稀疏特性及连接权值的变化，提出一种基于贝叶斯正则化的深度信念网。通过将贝叶斯正则化应用到网络训练过程中，有效地调节误差减小与权值增大之间的平衡。本文使用数字手写体数据库的分类实验来证明该改进算法的有效性。实验结果表明在深度信念网中，该方法能够有效克服过拟合现象，提高数字识别的正确率。 | ||||||
| 628 | 用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络 | CN201310757427.1 | 2013-12-09 | CN104035439B | 2017-04-26 | S·曾 |
| 本发明涉及用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络。具体地，提供了一种用于融合来自车辆上的多个LiDAR传感器的输出的系统和方法。该方法包括提供先前采样时间由这些传感器检测到的物体的物体档案，其中物体档案识别检测到的物体的位置、取向和速度。该方法还包括接收当前采样时间来自传感器视野中检测到的物体的多个扫描返回，并从这些扫描返回构造点云。然后该方法将点云中的扫描点分割为预测群，其中每个群初始地识别由传感器检测到的物体。该方法将预测群与从先前采样时间期间正被追踪的物体生成的预测物体模型进行匹配。该方法创建新的物体模型、删除正在消失的物体模型，并基于当前采样时间的物体模型来更新物体档案。 | ||||||
| 629 | 一种基于贝叶斯网络的多步攻击安全态势评估方法 | CN201610866523.3 | 2016-09-30 | CN106341414A | 2017-01-18 | 李方伟; 王森; 明月 |
| 本发明涉及网络安全态势评估方法，旨在提供一种基于贝叶斯网络的多步攻击安全态势评估方法，方法包括：首先通过关联分析挖掘多步攻击发生模式构建攻击图；然后根据多步攻击图建立贝叶斯网络，将攻击意愿、攻击成功概率、事件监测正确率定义为贝叶斯网络概率属性；结合事件监测，通过贝叶斯网络后验推理和累积概率计算多步攻击风险；采用层次化量化评估方法对主机及整个网络的安全态势进行量化评估；本发明解决了网络安全态势评估过程中缺乏关联性分析的问题，并把监测事件考虑到风险评估中，准确的建立网络安全态势评估模型，增强了本发明的有效性和实时性。 | ||||||
| 630 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 | CN201610616741.1 | 2016-07-29 | CN106228142A | 2016-12-14 | 宋彬; 赵梦洁; 徐琛; 秦浩 |
| 本发明公开了一种基于卷积神经网络和贝叶斯决策的人脸验证方法，其步骤为：1)用人脸训练数据库训练卷积神经网络和贝叶斯模型；2)将测试数据库进行人脸检测、对齐等预处理，随机将测试人脸组合成6000对人脸；3)用卷积神经网络提取测试人脸图像对的特征向量，计算相似度；4)将特征向量经PCA降维后送入贝叶斯网络，结合相似度计算后验概率，设定阈值并判定每对人脸是否属于同一个人。本发明增强了人脸认证的鲁棒性，提高了人脸认证速度和准确率，可运用在身份认证，公共安全等领域。 | ||||||
| 631 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 | CN201610427413.7 | 2016-06-14 | CN106124175A | 2016-11-16 | 邵继业; 杨瑞 |
| 本发明涉及一种基于贝叶斯网络的压缩机气阀故障诊断方法，利用混合方式进行贝叶斯结构学习，并将贝叶斯网络模型应用于气阀故障诊断中。具体方法步骤如下：1、获取振动信号样本，对信号进行预处理；2、提取故障特征向量，对特征向量离散化处理；3、属性变量和类变量作为贝叶斯网络节点，利用条件独立性测试寻找每个节点的候选父节点集；4、利用贪心算法依次确定每个节点的父节点，构建贝叶斯网络模型；5、通过对贝叶斯网络参数的学习，计算类节点的最大后验概率。本发明利用低阶条件独立(CI)测试有效地限制了候选父节点的个数，避免了不必要的结构评分，通过压缩机气阀故障诊断的应用实例，验证了该方法在信息不确定条件下是有效的。 | ||||||
| 632 | 基于贝叶斯网络及基层数据的系统健康状态预测方法 | CN201610214680.6 | 2016-04-08 | CN105913124A | 2016-08-31 | 王立志; 王晓红; 王璟玢; 路健行 |
| 本发明公开了一种基于贝叶斯网络及基层数据的系统健康状态预测的方法，包括以下几个步骤：步骤一、系统分析及贝叶斯网络各节点关系的构建；步骤二、建立基层节点的预测模型；步骤三、确定节点间信息的传递关系；步骤四、系统健康状态的预测；本发明建立了基层级数据与系统状态的定性与定量联系，在系统级数据难以判定或难以获得的情况下，解决系统状态预测的问题；能够融合系统各基层级单位的信息，以此获得系统状态的预测结果。 | ||||||
| 633 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 | CN201310026806.3 | 2013-01-24 | CN103077447B | 2016-08-03 | 张立茂; 吴贤国; 滕佳颖; 丁保军; 翟海周; 张青英; 刘倩; 王彦红; 姜洲 |
| 本发明属于地下工程信息技术领域，具体为一种基于贝叶斯网络的地铁施工安全管理决策方法。主要包括如下步骤：步骤一，建立风险及其致险因子库；步骤二，构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，获取各节点之间的条件概率关系；步骤三，以矢量形式表征安全管理贝叶斯网络预测结果及其实测数据，根据模型准确性和模型可靠性两个指标来验证建成的地铁施工安全贝叶斯网络的科学合理性；步骤四，提出面向地铁施工安全管理全过程实时诊断分析方法。本发明为复杂环境下地铁工程施工全过程中安全事故的处理提供推理及实时分析与决策。 | ||||||
| 634 | 一种基于贝叶斯信任模型的网络端到端延迟优化方法 | CN201410680324.4 | 2014-11-24 | CN105704736A | 2016-06-22 | 蔡英; 汤飞; 范艳芳 |
| 本发明涉及一种基于贝叶斯信任模型的网络端到端延迟优化方法，其步骤包括：初始化移动自组网的单位平方网络场景、传输数据流以及传输调度模型；对每个节点的转发数据行为进行监控，收集、统计T时刻所有节点转发数据的成功次数和失败次数，并计算成功和失败的平均次数；利用贝叶斯方法评估T+1时刻网络环境中所有节点的信任度以及环境信任度；通过对两跳移动自组网的基于贝叶斯信任模型的网络端到端延迟上界的封闭式理论分析，得到最优理论端到端延迟上界以及对应的信任阈值；将信任阈值引入到网络环境中，对相遇的非目的节点进行信任评估，做出是否选择相遇节点作为中继节点的决策。本发明能够降低两跳移动自组网络中数据传输的端到端延迟。 | ||||||
| 635 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 | CN201310499912.3 | 2013-10-22 | CN103500456B | 2016-06-15 | 田永鸿; 苏驰; 王耀威; 黄铁军 |
| 本发明公开了一种基于动态贝叶斯网络的对象跟踪方法，该方法包括：对输入的图像帧进行预处理，对图像帧进行对象检测或者前景检测，得到对象检测结果，根据对象检测结果，针对需要跟踪的新对象初始化对象跟踪器，并将其添加到对象跟踪器序列中；根据对象跟踪序列中每个对象的位置提取其在当前帧的各种状态的多种表观特征，将对象关联的检测结果和各种状态的多种表观特征加入到动态贝叶斯网络中进行分析处理，最终推理出每个对象在当前帧的最优位置并更新对象跟踪序列。本发明通过引入适合对象跟踪的动态贝叶斯网络，有效的克服了对象之前相互遮挡对跟踪性能的影响，提高了对象跟踪的召回率和跟踪精度。 | ||||||
| 636 | 一种基于贝叶斯网络的广告点击率预测方法及装置 | CN201511022629.7 | 2015-12-30 | CN105654345A | 2016-06-08 | 董启文 |
| 本发明公开了一种基于贝叶斯网络的广告点击率预测方法及装置，其中，该方法包括：获取历史广告，并由历史广告中提取历史关键词；将历史关键词作为节点，并通过确定节点之间的有向边及每个节点的概率参数构建贝叶斯网络模型；基于贝叶斯网络模型中的节点、节点之间的有向边及每个节点的概率参数确定与待测广告的待测关键词匹配的目标节点；确定与目标节点对应的历史广告为目标历史广告，依据目标历史广告的点击率计算待测广告的预测点击率。本发明通过构建由历史关键词组成的贝叶斯网络模型，获取与待测关键词匹配的历史关键词，进而依据与历史关键词对应的目标历史广告的点击率计算待测广告的预测点击率，从而实现高效、准确的广告点击率的预估。 | ||||||
| 637 | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 | CN201510883986.6 | 2015-12-04 | CN105547717A | 2016-05-04 | 王忠巍; 王金鑫; 袁志国; 宋莎; 董佳莹 |
| 本发明涉及的是基于贝叶斯网络的柴油机润滑系统故障诊断方法。本发明将润滑系统的故障类型和外部征兆分别抽象为故障层节点和征兆层节点，建立柴油机润滑系统贝叶斯网络模型；利用数据采集系统检测柴油机润滑系统的性能参数，采用线性比例变换法对性能参数进行归类处理，根据获取的润滑系统实际工作状态信息；采用Hugin联合树算法将修正后的润滑系统贝叶斯网络模型转化为联合树。本发明在实施推理诊断前，依据润滑系统的实际工作状态，通过重置故障层节点的先验概率，对贝叶斯网络模型进行了适应性修正，使得模型能够准确描述润滑系统的实际工作状态，从而降低模型推理的不确定性，提高了故障诊断的准确率。 | ||||||
| 638 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 | CN201510790481.5 | 2015-11-17 | CN105426970A | 2016-03-23 | 缪永飞; 钟忺; 钟珞; 吕健; 王宇轩; 李广强; 哈尔肯别克 |
| 本发明公开了一种基于离散动态贝叶斯网络的气象威胁评估方法，包括：将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；按照划分的量化等级进行量化处理，建立观测证据表；利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；运用隐马尔科夫推理算法计算出最终的气象威胁等级。本发明实现了连续观测值和离散动态贝叶斯网络的有机结合，并结合HMM推理算法推理出气象威胁程度的概率分布，使气象评估的有效性、实用性和准确性大大提升。 | ||||||
| 639 | 一种基于贝叶斯网络的变压器故障诊断分析方法 | CN201310090961.1 | 2013-03-20 | CN103197177B | 2015-09-23 | 王彦良; 王继文; 陈晓红; 张凡华; 赵洪振; 郑超; 冯维华; 王森; 王卓; 邓凸; 王宏 |
| 本发明公开了一种基于贝叶斯网络的变压器故障诊断分析方法，具体步骤为：步骤一：确定变压器油色谱的属性变量Y＝{Y1,.Y2,Y3…Yn}yi是Yi的取值和故障类型变量D＝{D1,D2,D3…Dm}dm为Dm的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；步骤三：利用连接树算法确定变压器的故障类型。 | ||||||
| 640 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 | CN201510336740.7 | 2015-06-17 | CN104899664A | 2015-09-09 | 王兵; 赵春兰; 肖斌; 李建 |
| 本发明公开了一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法，运用马尔科夫链和贝叶斯网络从纵横两个方面对钻井风险做了比较全面的分析和预测，创新性的处理了马尔科夫链在处理上层指标确缺失这个方面的不足。马尔科夫链是探索由样本所决定的在未来时间里变量的概率分布，是一种纵向预测的方法。贝叶斯网络则展示出指标之间的相互影响关系，是一种横向预测方法。结合这两种方法有一个优势在于可以解决多层指标体系的非底层指标数据缺乏的问题，以实现宏观意义上的风险预测。贝叶斯网络的反推功能也为风险控制提供了基础。 | ||||||
QQ群二维码
意见反馈
意见反馈