| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 681 | 基于压缩感知与动态贝叶斯网络的电抗器局部放电故障诊断方法 | CN202411520030.5 | 2024-10-29 | CN119025979B | 2025-02-07 | 赵彤; 彭浡淏; 王晓龙; 张远涛; 孙滢; 刘亚迪; 亓润泽 |
| 基于压缩感知与动态贝叶斯网络的电抗器局部放电故障诊断方法，涉及电力设备故障诊断技术领域，用于解决现有电抗器局部放电监测与故障诊断方法无法应对多源复杂局放信号和环境噪声的问题。本发明的故障诊断方法首先利用压缩感知技术实现局部放电信号特征的稀疏化，降低数据冗余，保留关键特征。随后基于多维局部放电图谱技术，生成并融合时域、频域、相位域和时频域图谱，构建多样化的局部放电特征表示。动态贝叶斯网络DBN用于实时故障诊断，通过差异进化自适应细菌觅食优化DEABFO算法进行优化，提升故障识别的精度和效率。本发明能够有效应对多源复杂局放信号和环境噪声，适用于复杂工况下的局放故障预测和诊断。 | ||||||
| 682 | 基于因果贝叶斯网络的重载铁路接触网风险评估研究 | CN202411617258.6 | 2024-11-13 | CN119359040A | 2025-01-24 | 马珺杰; 袁花明; 张柯; 李树茂; 蔺诗瑶; 魏喜莲; 蔡莉莉; 汤超; 耿小亮; 鲁帅 |
| 本发明属于接触网风险评估技术领域，特别涉及一种基于贝叶斯网的重载铁路接触网风险评估法、介质及设备，方法包括：基于重载铁路接触网运行历史数据，构建重载铁路接触网运行风险的因果贝叶斯网络评估模型；根据重载铁路接触网运行历史数据的统计分析，推导因果贝叶斯网络评估模型中各节点的条件概率；假定重载铁路接触网发生系统故障，逆向推导因果贝叶斯网络评估模型中各节点的后验概率，识别出对重载铁路接触网运行风险影响较大的关键风险因素。本发明构建了重载铁路接触网运行风险的因果贝叶斯网络评估模型，进行正向推导及逆向推导，进而识别出对重载铁路接触网运行风险影响较大的关键风险因素，有助于加强安全风险防控措施，降低运行风险。 | ||||||
| 683 | 基于贝叶斯优化混合神经网络的短期功率预测方法及系统 | CN202411431724.1 | 2024-10-14 | CN119340980A | 2025-01-21 | 刘志仁; 杜云龙; 张森; 柴赟; 荣颂九; 罗飞; 杜先波; 杨勤胜; 戴强晟; 李昆明; 陈公海 |
| 本发明公开了基于贝叶斯优化混合神经网络的短期功率预测方法及系统，属于电力系统功率预测技术领域，短期功率预测方法包括：采集设定时间段内光伏阵区逆变器处实测的光伏出力数据和所在空间的多项环境指标数据，对环境指标数据进行第一次优化选择，得到环境因素多维时空变量；对环境因素多维时空变量进行第二次优化选择，得到最优参数集；以应用贝叶斯优化算法进行对卷积神经网络‑长短期记忆网络超参数，经训练获得短期功率预测模型，对光伏发电功率进行短期功率预测。本发明突破传统的人为选择参数的方法，选用智能化自动选取最优网络参数，从而可以提高网络的预测精度以及效率，保证电力系统安全稳定运行。 | ||||||
| 684 | 基于贝叶斯网络动态更新教学智能体指令的方法 | CN202411807258.2 | 2024-12-10 | CN119322629A | 2025-01-17 | 智勇; 王健; 袁亚兴; 熊伟; 刘文华 |
| 本发明实施例公开了一种基于贝叶斯网络动态更新教学智能体指令的方法，包括：获取教学业务模型，所述教学业务模型用于表征学习者情况与教学智能体指令间的关系；基于所述教学业务模型，构建贝叶斯网络；将学习者的实时学习情况输入所述贝叶斯网络进行推理，得到教学提示词模板和教学指令标签；根据所述教学提示词模板和教学指令标签，动态更新所述教学智能体的提示词和能力插件，用于约束智能体最终输出教学指导内容。本实施例能够动态更新教学智能体的提示词和能力插件。 | ||||||
| 685 | 一种基于GRU网络的贝叶斯多模型椭圆机动群目标跟踪方法 | CN202411346486.4 | 2024-09-26 | CN119249895A | 2025-01-03 | 陈烨; 路绳方; 王传君; 焦良葆; 吴德伟; 高丹; 秦岭 |
| 一种基于GRU网络的贝叶斯多模型椭圆机动群目标跟踪方法，涉及目标状态估计方法的技术领域。步骤S1，神经网络的设计与训练：基于Pytorch开发工具箱，建立基于GRU神经网络的群目标质心运动子模型概率估计网络，并基于群目标跟踪数据集，进行神经网络的训练；步骤S2，贝叶斯椭圆机动群目标跟踪系统建模；步骤S3，基于神经网络模型概率估计的贝叶斯多模型机动群目标跟踪。本发明通过GRU神经网络充分攫取历史时间窗内的量测信息价值，不同于以往仅利用当前量测值进行模型概率估计，精度更高；对群目标跟踪模型中的量测噪声方差模型进行了优化，使其更符合实际情况，进一步优化估计精度。 | ||||||
| 686 | 一种基于贝叶斯网络模型的矿用机电设备健康评估方法 | CN202411301280.X | 2024-09-18 | CN119151515A | 2024-12-17 | 殷鹏; 雷雨; 姚磊; 王继伟; 卓书杰; 蔡德永; 张明泉; 乔梦楠 |
| 本发明提供一种基于贝叶斯网络模型的矿用机电设备健康评估方法，利用自然语言处理技术将矿用机电设备相关资料转化为节点和边，构建贝叶斯网络模型；获取每个矿用机电设备的状态参考图谱和实时运行的状态图谱并进行相似度识别并计算失效概率；基于该失效概率将设备的实时运行数据输入到贝叶斯网络模型中，根据贝叶斯公式和条件独立性假设计算各节点的后验概率，得到设备的健康状态评估结果。本发明通过实时收集和处理矿用机电设备的各项运行参数并生成状态图谱，直观反映了矿用机电设备的健康状态；同时基于贝叶斯网络模型，动态的计算设备的故障率，为设备的预防性维护和故障预警提供精确的数据支持，有效降低了设备的维护成本。 | ||||||
| 687 | 一种基于贝叶斯网络算法的煤矿数字孪生模型建立方法 | CN202410352746.2 | 2024-03-26 | CN118196662B | 2024-12-06 | 苏显; 唐季平 |
| 本发明提供一种基于贝叶斯网络算法的煤矿数字孪生模型建立方法，涉及机器学习技术领域，包括：S1确定目标矿山，并获取实时数据；S2构建初始数字孪生模型；S3确定目标矿山的灾害类型和对应的致灾因子，进而构建和训练得到致灾因子分析模型，利用致灾因子分析模型输出得到致灾因子的拓扑关系；S4构建贝叶斯模型，利用叠加权重分析对贝叶斯模型进行迭代训练；S5利用对抗性框架将致灾因子分析模型和贝叶斯模型串联嵌入到初始数字孪生模型中，得到最终的数字孪生模型。本发明融入贝叶斯网络算法，可以将输入数据进行分析预测，得到矿山灾害的发生概率，针对不同灾害，提前采取应对措施或整改措施，有效提高煤矿安全系数。 | ||||||
| 688 | 基于贝叶斯网络与知识图谱的设备维修方法、系统及设备 | CN202310629112.2 | 2023-05-30 | CN119067628A | 2024-12-03 | 雷永辉; 周晓峰; 张爱东; 高凌风; 王杨 |
| 本申请提供一种基于贝叶斯网络和知识图谱的设备维修方法、系统及设备，所述方法包括：利用历史维修作业标准进行信息提取，建立以设备为知识图谱本体的维修作业图谱数据库；对所述维修作业图谱进行数据统计，以获取带概率的图谱节点；计算各所述图谱节点的条件概率，并以条件概率链接形成贝叶斯网络模型；收集故障信息对应的关联设备，并基于所述贝叶斯网络模型对所述故障信息对应的关联设备进行查询，以获取维修作业流程推荐。本申请中，结合贝叶斯网络和知识图谱可以实现对维修作业的流程优化与智能推荐，基于历史维修数据集诊断提高维修作业时效；该方法的运用可以提高维修工作效率，缩短检修时间，避免严重故障带来的经济损失。 | ||||||
| 689 | 一种基于贝叶斯网络的城市电力安全稳定风险评估方法 | CN202411254829.4 | 2024-09-09 | CN119026917A | 2024-11-26 | 张鼎华; 汤培新; 郎旭涵 |
| 本发明提供一种基于贝叶斯网络的城市电力安全稳定风险评估方法，包括对原始案例及其情景进行风险因素识别，形成城市电力安全稳定风险因素集；采用K‑means聚类算法分析筛选风险指标，构建城市电力安全稳定风险评估指标体系；通过AHP‑熵权法确定城市电力安全稳定风险评估指标体系各级指标权重并对其进行修正，根据指标隶属关系构建加权贝叶斯网络评估模型；进行加权贝叶斯网络模型参数学习，通过训练好的加权贝叶斯网络评估模型预测城市电力安全稳定风险的概率值。本发明采用改进后的加权贝叶斯网络进行风险评估，改善了贝叶斯网络条件独立性假设的前提，增强贝叶斯网络对风险评估适用性，提高了推理结果的准确性。 | ||||||
| 690 | 一种融合改进GRU网络和贝叶斯滤波的电池SOC估计方法 | CN202410972135.8 | 2024-07-19 | CN118914854A | 2024-11-08 | 张风奇; 王洋; 解少博; 赵勇; 胡晓松; 胡滨; 田从丰 |
| 本发明申请提供了一种融合改进GRU网络和贝叶斯滤波的电池SOC估计方法，包括：对锂离子电池参数进行归一化处理，形成归一化的数据，所述归一化的数据包括训练集和测试集；采用引入随机性和非线性递减模式对灰狼算法的收敛因子进行优化，形成改进的灰狼算法；采用改进的灰狼算法对GRU神经网络的初始权值和偏置进行优化，形成优化后的GRU神经网络；将所述训练集带入优化后的GRU神经网络，得到多个GRU神经网络模型；基于多个所述GRU神经网络模型，通过贝叶斯滤波对所述多个所述GRU神经网络模型进行融合，得到经贝叶斯滤波融合后的GRU神经网络模型，对锂离子电池soc进行估计。 | ||||||
| 691 | 一种基于贝叶斯网络的运动康复策略生成方法及系统 | CN202410945363.6 | 2024-07-15 | CN118888081A | 2024-11-01 | 田雪文; 孙威; 刘岩; 赵晨轩; 冯连世; 孙志远; 李冉; 王秀秀; 韩洁; 张士花; 徐培明; 王清路; 聂祥坤; 孙红梅; 李荀; 毛敏; 商庆慧; 张翠; 刘军; 冀伟; 潘磊 |
| 本发明涉及策略生成技术领域，具体公开一种基于贝叶斯网络的运动康复策略生成方法及系统，该方法包括：获取检测对象的运动状态数据，比对得到检测对象的运动康复需求，构建贝叶斯网络模型，将检测对象的运动康复需求和检测对象当前的康复状态进行关联，获得对象的康复状态，获取检测对象的康复状态反馈数据，结合检测对象的康复状态，比对得到个性化的运动康复策略，本发明解决了当前对于检测对象的康复运动策略的生成存在单一性及普适性的问题，有助于更全面地了解检测对象的康复状态和康复需求，精准的诊断和康复策略生成有助于减少过程中的误差和不确定性。 | ||||||
| 692 | 基于贝叶斯网络的选煤过程安全与质量一体化控制方法 | CN202211489071.3 | 2022-11-25 | CN116125915B | 2024-10-29 | 褚菲; 毛腾; 王建文; 许晨峰; 朱安强; 冯浩彬 |
| 本发明提供了一种基于贝叶斯网络的选煤过程安全与质量一体化控制方法，确定选煤过程中的控制变量与目标变量；确定相应的贝叶斯网络节点类型及等级状态；确定贝叶斯网络结构；确定贝叶斯网络参数；建立安全与质量一体化控制贝叶斯网络；根据溢流灰分判断是否发生异常工况，将控制变量初始状态做离散化处理；利用建立的贝叶斯网络进行推理，获取能够消除异常工况的控制变量调整值；利用建立的贝叶斯网络进行推理得到调整后的溢流灰分值；判断异常工况是否消除；利用建立的贝叶斯网络，并结合模拟退火算法，推理得到能使溢流灰分达到最优的控制变量调整值以及最优溢流灰分值。该方法可以给出有效安全控制决策，能有效提升产品煤的质量。 | ||||||
| 693 | 贝叶斯网络训练方法、故障诊断方法、装置及终端设备 | CN202310454915.9 | 2023-04-25 | CN118839159A | 2024-10-25 | 夏历翘; 郑湃; 周家樑 |
| 本申请适用于计算机技术领域，提供了贝叶斯网络训练方法、故障诊断方法、装置及终端设备，包括：根据目标设备的机械结构关系以及所述目标设备所对应的故障事件确定故障知识图谱，将所述故障知识图谱转换为贝叶斯网络，对所述贝叶斯网络进行训练，得到目标贝叶斯网络。本申请可以提高故障诊断的准确性。 | ||||||
| 694 | 基于工业知识图谱及贝叶斯网络的辅助决策方法及系统 | CN202411054071.X | 2024-08-02 | CN118586742B | 2024-10-18 | 袁存发; 毕瑞峰; 魏小庆; 陈松; 陆文迪; 徐兴云 |
| 本发明公开了基于工业知识图谱及贝叶斯网络的辅助决策方法及系统，涉及计算机软件及人工智能技术领域，包括：收集工业知识词汇，生成自定义词库，构建工业知识图谱；基于工业知识图谱提取特征，将特征分类为离散特征和描述特征，对描述特征进行聚类；确定特征关系，构建依赖关系矩阵；构建贝叶斯网络，基于知识图谱内的知识数据进行辅助决策。本发明提供的基于工业知识图谱及贝叶斯网络的辅助决策方法减少对专家经验的依赖，提高诊断效率和准确性，快速响应复杂多变的生产环境需求，确保特征关系的显著性和准确性，增强在不同环境和条件下的鲁棒性和适应性。推荐消缺班组，全面提升生产系统的安全性和可靠性。 | ||||||
| 695 | 基于多变量和贝叶斯网络的交通冲突评估方法及系统 | CN202411266146.0 | 2024-09-11 | CN118781819A | 2024-10-15 | 王建柱; 岳庭如; 马昌喜; 吴建清; 田源; 杜聪; 张朔; 郭洪宇; 张梅; 吕斌 |
| 本发明涉及交通控制系统技术领域，特别是涉及基于多变量和贝叶斯网络的交通冲突评估方法及系统，其中方法包括：获取交通冲突历史数据；基于交通冲突历史数据，构建数据集；根据交通冲突历史数据中各个变量的有向连接关系，构成有向无环图；所述有向无环图，包括：节点集和边集，所述节点集为数据集中的数据；基于有向无环图，得到贝叶斯网络；基于训练集，对贝叶斯网络进行训练优化，网络的输入值是训练集的数据，网络的输出值是交通冲突发生的预测概率值；基于测试集，对贝叶斯网络进行测试；将待预测的交通数据，输入到训练后的贝叶斯网络，得到交通冲突发生的预测概率值。提高了评估交通冲突的严重程度的准确性和精度。 | ||||||
| 696 | 基于贝叶斯网络的台风风暴潮灾害链灾变风险评估方法 | CN202410006264.1 | 2024-01-03 | CN117808302B | 2024-10-15 | 王婷; 谭心如; 刘羽; 田雨; 游进军; 马真臻; 林鹏飞 |
| 本发明属于灾害风险管理技术领域，公开了一种基于贝叶斯网络的台风风暴潮灾害链灾变风险评估方法，包括：基于台风场景和灾变驱动要素组合情景构建“台风‑风暴潮‑洪水‑溃堤”灾害链灾变情景库；根据“台风‑风暴潮‑洪水‑溃堤”灾害链的灾变机理和链式传递规律构建贝叶斯网络模型；采用贝叶斯网络模型评估所述灾变情景库中不同灾变情景下的灾变风险。本发明以“台风‑风暴潮‑洪水‑溃堤”灾害链的复杂灾变机理以及影响灾变的各要素之间链式传递关系为基础，开展灾害链贝叶斯复杂系统网络推理建模，并模拟分析不同灾变情景下灾害链各灾种的灾变风险，对于沿海地区台风灾害的风险管理和应急减灾工作具有重要意义。 | ||||||
| 697 | 基于贝叶斯优化深层神经网络的避雷器阻性电流预测方法及系统 | CN202411019847.4 | 2024-07-29 | CN118551183B | 2024-10-11 | 韩月; 李瑞彬; 韦海荣; 葛翔; 曹玉杰; 吴有文; 李超 |
| 本发明公开了一种基于贝叶斯优化深层神经网络的避雷器阻性电流预测方法及系统，包括以下步骤：采集避雷器三相角差数据和环境因素数据；使用无监督异常检测方法筛选异常数据，剔除错误的数据信息；将相角差以及环境因素数据作为输入量，阻性电流数据作为输出量，利用深层神经网络构建预测模型，同时，采用贝叶斯优化网络模型超参数；根据模型预测阻性电流数据并进行模型评价。本发明解决了预测避雷器阻性电流不准确的问题，使用单类支持向量机方法能够有效剔除异常数据，为模型提供准确的数据基础，采用贝叶斯优化器选取最优超参数提高了深层神经网络模型预测阻性电流的准确度，进而保障了预测避雷器的运行状态的有效性，维护电网运行安全。 | ||||||
| 698 | 基于知识图谱改进的贝叶斯网络对膝关节数据分类的方法 | CN202410848824.8 | 2024-06-27 | CN118734188A | 2024-10-01 | 何晶靖; 张文熙; 温畅 |
| 本发明提供一种基于知识图谱改进的贝叶斯网络对膝关节数据分类的方法，其包括以下步骤：S1，获取膝关节数据集；S2，对膝关节数据集进行特征提取；S3，将膝关节数据集分为训练集、验证集和测试集；S4，建立贝叶斯网络；S5，根据专家知识对贝叶斯网络进行修正；S6，针对信号特征通过共性因果强度对贝叶斯网络进行修正；S7，针对相关振动传感器通过共性因果强度对贝叶斯网络进行修正；S8，进行参数学习得到节点间的定量关系；S9，通过验证集对信号特征节点顺序进行局部搜索优化；S10，对改进贝叶斯网络结构分类模型进行测试；S11，对新数据进行分类。本发明通过对贝叶斯网络多次修正，提高了在小样本量下预测的鲁棒性。 | ||||||
| 699 | 基于贝叶斯网络的检查项目推荐方法、辅助决策系统 | CN202411015794.9 | 2024-07-26 | CN118711836A | 2024-09-27 | 赵𮧵; 郭丛丛; 夏芸; 孙兆红 |
| 本申请提供一种基于贝叶斯网络的检查项目推荐方法、辅助决策系统，方法包括：根据已检查项目对应的疾病发生概率分级以及待检查项目对应的疾病发生概率分级得到已检查项目在目标疾病上的第一条件概率分布、已检查项目在待检查项目上的第二条件概率分布、基于目标疾病，已检查项目在待检查项目上的第三条件概率分布，根据第一条件概率分布、第二条件概率分布、第三条件概率分布计算基于已检查项目，待检查项目在目标疾病上的第四条件概率分布；根据第四条件概率分布和待检查项目对应的置信度，从待检查项目中选择第一优先推荐检查项目。本申请通过采用上述方法，解决现有疾病筛查方式都未能充分利用已知的患者诊断数据导致推荐结果不够精准的问题。 | ||||||
| 700 | 一种基于量子贝叶斯网络的系统状态判断方法及装置 | CN202110538136.8 | 2021-05-18 | CN115374945B | 2024-09-24 | 李叶; 刘焱; 窦猛汉 |
| 本发明公开了一种基于量子贝叶斯网络的系统状态判断方法及装置，所述方法包括：获得目标系统对应的贝叶斯网络，并根据根节点状态的概率分布、节点间的条件概率分布，构建贝叶斯网络对应的量子线路，作为量子贝叶斯网络，针对目标系统中的目标节点，测量量子线路中目标节点对应的量子比特，根据量子比特的测量结果，判断目标节点的状态，以此实现一种贝叶斯网络的量子实现方式，能够将贝叶斯网络的计算复杂度降低，实现高效计算，并且利用量子态的叠加特性，从而以更少的存储和计算资源实现状态判断的针对性和准确性。 | ||||||
QQ群二维码
意见反馈
意见反馈