| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 721 | 一种基于林火蔓延模拟与贝叶斯网络的森林爆发火风险评估方法 | CN202410415258.1 | 2024-04-08 | CN118195322A | 2024-06-14 | 何彬彬; 陈瑞; 官雨薇 |
| 该发明公开了一种基于林火蔓延模拟与贝叶斯网络的森林爆发火风险评估方法，涉及森林火灾预警技术领域。本发明首先借助FARSITE火行为模型开展林火蔓延模拟，利用卫星观测的燃烧区域轮廓和火强度信息校正林火蔓延模拟结果，标定火行为模型中敏感的可燃物模型参数，并基于图像边缘检测算法提取潜在爆发发生位置及林火蔓延特征，构建由可燃物、气象、地形等因子组成的爆发火案例库。然后，基于贝叶斯网络挖掘爆发火关键风险因子，构建爆发火风险评估模型，实现区域尺度的爆发火发生概率评估。本发明操作简单，其融合了林火蔓延特征，并充分考虑了爆发火发生的关键风险因子，应用于大范围的爆发火风险动态评估，这对于爆发火风险监测预警具有重要的意义。 | ||||||
| 722 | 一种基于贝叶斯神经网络的疫情预测方法及装置 | CN202110859850.7 | 2021-07-28 | CN113611430B | 2024-06-14 | 李辰潼; 吴亮生; 马敬奇; 黄天仑; 钟震宇 |
| 本发明公开了一种基于贝叶斯神经网络的疫情预测方法及装置，其中，所述方法包括：基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。在本发明实施例中，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率。 | ||||||
| 723 | 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法 | CN202410339570.7 | 2024-03-25 | CN117933316B | 2024-05-31 | 莫绍星; 彭泽辰; 吴吉春; 施小清; 曾献奎 |
| 本发明公开了一种基于可解释贝叶斯卷积网络的地下水位概率预报方法，利用前沿时序预报模型和贝叶斯方法实现地下水位可靠概率预报，再利用解释算法识别量化各个输入特征对地下水位预报结果的贡献度。本发明能够基于一维时间序列的周期特征，将一维时间序列转换到二维空间上，再通过卷积网络提取序列的周期特征，从而实现地下水位可靠预报。本发明融合了蒙特卡洛丢弃贝叶斯方法和SHAP可解释性方法，量化了预报结果的不确定性和输入特征对预报结果的贡献度，实现了地下水位概率和可解释预报。基于地下水位监测数据和气象数据，本发明能够实现地下水位未来一个月变化的可靠预报，为地下水资源优化配置和生态环境保护提供决策支撑。 | ||||||
| 724 | 一种基于模糊贝叶斯网络决策的海上风机选型方法 | CN202410203218.0 | 2024-02-23 | CN118094320A | 2024-05-28 | 薛杰; 阳浩; 胡昊; 杨培杰; 李豫章; 包培厚; 李沛轩; 伊文政; 覃梓育; 孟祖弘 |
| 本发明涉及一种基于模糊贝叶斯网络决策的海上风机选型方法，包括以下步骤：获取海上风机选型的影响因素并进行分析，基于分析结果构建三层贝叶斯结构网络；对每个影响因素变量进行输入模糊化；基于模拟退火算法进行条件概率表的参数设置与优化；基于优化后的条件概率表，利用三层贝叶斯结构网络进行海上风机选型影响因素推理；分别基于专家知识和默认效用值对推理结果进行解模糊，得到第一评估分数和第二评估分数；根据第一评估分数和第二评估分数进行比选获得最佳海上风机选型。与现有技术相比，本发明可以应对传统风机决策方法面对复杂多变的影响因素所面临的挑战，实现全面、综合、系统性的风机选型方案决策。 | ||||||
| 725 | 一种基于贝叶斯神经元网络的铸坯粘结离线判别方法 | CN202410164691.2 | 2024-02-05 | CN118051840A | 2024-05-17 | 高宇; 李杰; 曹金帅; 陈军利; 李献峰; 马其云; 年保国; 王学魁; 范宏图; 张瑞忠; 刘宏春; 毛文文; 刘崇 |
| 本发明涉及一种基于贝叶斯神经元网络的铸坯粘结离线判别方法，通过收集铸坯发生粘结与未发生粘结时的热电偶数据，采用贝叶斯神经元网络对数据进行训练，应用训练好的模型对热电偶离线数据进行判别，根据模型判别结果的置信度决定是否补充进行铸坯实物与热电偶曲线的观察确认。本发明的有益效果是：采用贝叶斯神经元网络对粘结进行判别，提高了铸坯粘结判断确认的准确性与便捷性，减少了该过程对岗位操作人员的劳动强度和经验依赖。 | ||||||
| 726 | 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统 | CN202410213127.5 | 2024-02-27 | CN118037048A | 2024-05-14 | 王健; 郑赟; 赵金龙; 朱伟; 王亚飞 |
| 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其利用贝叶斯网络的概率推理能力，结合深度学习的特征提取能力，对城市暴雨内涝灾害链中各个环节的暴雨数据进行编码、关联和融合，以得到灾害发生几率的预测值，从而实现对城市暴雨内涝灾害链的风险评估。 | ||||||
| 727 | 一种基于贝叶斯网络的文献元数据解析方法及系统 | CN202410303750.X | 2024-03-18 | CN117909491B | 2024-05-14 | 李景; 甘克勤; 张明 |
| 本发明公开了一种基于贝叶斯网络的文献元数据解析方法及系统，涉及技术领域，包括通过文献解析索引云平台通过接收用户的文献检索请求，获取文献元数据和索引信息，并对检索文献元数据的预处理，提取了文献的特征参量，这些特征参量被导入预置的贝叶斯网络检索模型，用于定位检索文献的有向子系网络图，使平台能够提取检索文献的参照文献数据仓，进一步识别和解析各个推荐参考文献，并通过智能排序方式展示，有益于深入分析文献之间的概率依赖关系，从而提高文献检索的准确性和效率，能够更全面地分析文献元数据之间的复杂关系，提高了检索资源的有效利用率，同时为研究人员提供确切契合的推荐文献关键信息。 | ||||||
| 728 | 一种基于贝叶斯神经网络的骤旱预警方法及系统 | CN202410206502.3 | 2024-02-26 | CN117784290B | 2024-05-14 | 许祯芮; 张小娜; 张小瑞; 孙伟 |
| 本发明公开了一种基于贝叶斯神经网络的骤旱预警方法及系统，包括将熵权重算法和CRITIC权重算法结合计算组合权重，根据组合权重，从土壤含水量数据提取土壤水分关键数据；将土壤水分关键数据输入至预设的贝叶斯神经网络获得第一中间预测结果；将土壤水分关键数据输入至预设的灰色预测模型获得第二中间预测结果；对第一中间预测结果和第二中间预测结果进行加权平均获得未来土壤含水量预测结果，根据未来土壤含水量预测结果进行骤旱预警；本发明对于数据样本较少或缺乏长期观测数据的情况仍然能够进行有效的预测，具有适用性强、鲁棒性高，算法时间复杂度低的特点。 | ||||||
| 729 | 一种基于贝叶斯神经网络的固定翼无人机态势预测方法 | CN202311428417.3 | 2023-10-30 | CN117540626B | 2024-05-14 | 李富超; 李昀迪; 韩向涛; 胡瑾; 薛晓岑; 袁银龙; 李俊红; 程赟 |
| 本发明提供了一种基于贝叶斯神经网络的固定翼无人机态势预测方法，属于无人机态势预测技术领域；解决了在不确定环境下我方无人机无法对敌方无人机的未来态势做不确定性预测的技术问题。其技术方案为：建立适用于时间序列预测的贝叶斯网络并收集敌方无人机的有限态势信息；以敌方无人机态势信息作为输入，使用已建立的贝叶斯神经网络对敌方无人机的下一时刻的态势做预测；将单一时刻预测值作为输入再次预测，构成敌方无人机未来时间段的态势信息。本发明的有益效果为：能够令己方无人机在战场环境中利用有限的态势信息预知敌方无人机下一段时间的态势，使我方无人机能够抢占战场主动性，有利于提升无人机作战能力，从而降低我方无人机的战损比。 | ||||||
| 730 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 | CN202210064052.X | 2022-01-16 | CN114444201B | 2024-05-14 | 刘树光; 严惊涛 |
| 基于改进的贝叶斯网络的对地攻击无人机自主能力评估方法：针对对地攻击无人机作战流程和特点，选取感知探测、规划决策、作战执行、安全管理和学习进化五个自主能力影响因素，构建面向全任务过程的自主能力评估指标体系；利用粗糙集理论和差别矩阵对指标体系进行优化，得到基于作战阶段的动态指标体系；基于改进的贝叶斯网络建立自主能力评估模型，利用熵权法确定根节点的先验概率，运用极大熵模型对条件概率进行动态更新；利用三种推理模式对对地攻击无人机任务前、任务中和任务后的自主能力进行仿真验证及推理分析，给出各个阶段自主能力的动态调整建议。本发明能够从不同阶段评估对地攻击无人机自主能力，使其适应不同作战阶段的特点和要求。 | ||||||
| 731 | 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 | CN202310657301.0 | 2023-06-05 | CN116629614B | 2024-05-10 | 李霞; 周书明; 高国飞; 陈明钿; 雷刚; 吴成刚; 李灿辉 |
| 一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法，其主要包括深部岩溶塌陷风险识别、深部岩溶塌陷风险等级标准、深部岩溶塌陷风险动态贝叶斯网络结构学习、深部岩溶塌陷风险动态贝叶斯网络参数学习、深部岩溶塌陷风险概率分析、深部岩溶塌陷风险损失分析和深部岩溶塌陷风险评估等步骤；通过上述步骤，本发明解决现有的深部岩溶塌陷灾害的评估方法有效性、实用性和准确性不高的问题，更准确的反映城市建筑更密集、生命线廊道区深部岩溶塌陷灾害风险的变化规律，及时获得深部岩溶塌陷灾害的风险状态，为后续防治提供决策依据。 | ||||||
| 732 | 一种基于贝叶斯网络的植被生态学分类识别方法及系统 | CN202410369832.4 | 2024-03-29 | CN117975280A | 2024-05-03 | 杨敏; 于洋; 杨德鹏; 宋小小; 刘济平 |
| 本发明属于植被分类识别技术领域，公开了一种基于贝叶斯网络的植被生态学分类识别方法及系统。该方法包括使用陆地成像仪进行实验区植被不同类型多光谱遥感影像数据采集，使用BP神经网络基于各波段信息进行重点植被分类；基于改进的贝叶斯网络用弧表示不同类型变量间的依赖关系，在不同类型样本数据稀疏或数据难获得下对不同类型分布影像数据进行识别；采用重点植被分析对不同类型变量影像进行成线性关系处理，并采用不同类型变量分类器实现不同类型影像个体识别。本发明可以精确识别植被生态学分类情况。 | ||||||
| 733 | 基于贝叶斯网络的大坝泄洪消能结构安全风险评估方法 | CN202410391266.7 | 2024-04-02 | CN117973163A | 2024-05-03 | 卢祥; 陈建康; 李艳玲; 吴震宇; 张瀚; 裴亮; 周靖人; 陈辰 |
| 本发明公开了一种基于贝叶斯网络的大坝泄洪消能结构安全风险评估方法，其包括构建大坝的有限元仿真模型和大坝泄洪消能结构的贝叶斯网络；采用泄洪消能结构破坏准则搜索有限元仿真模型中的破坏路径；根据风险代理模型及坝与地基材料的力学参数和过流面水力学参数，采用蒙特卡罗法计算每种结构破坏模式的破坏概率po；计算泄洪消能结构的结构体系破坏概率pα；假定任一破坏路径o不存在时，基于余下破坏路径和贝叶斯网络计算破坏路径o的致灾因子不发生破坏时泄洪消能结构的破坏概率 ；根据pα和 ，计算破坏路径o致灾因子的重要度；选取重要度最高的致灾因子对应的失效路径为泄洪消能结构发生破坏的主控路径。 | ||||||
| 734 | 一种基于贝叶斯网络的高速公路机电系统故障诊断方法 | CN202311763404.1 | 2023-12-20 | CN117972555A | 2024-05-03 | 王江锋; 罗冬宇; 彭子威; 齐崇楷; 董佳宽; 杨志成; 李云飞 |
| 本发明提供了一种基于贝叶斯网络的高速公路机电系统故障诊断方法，通过建立高速公路机电系统故障树模型，将故障树模型转换为贝叶斯网络模型，划分叶节点、中间节点及根节点；利用高速公路机电系统的报修数据中报修开始时间，维修完成时间数据，采用梯形模糊数算法进行先验概率的计算；采用期望最大化算法进行参数学习；最后使用联合树算法进行网络推理，得到中间节点的后验概率，以此辅助进行高速公路机电系统故障诊断。该方法利用高速公路机电系统故障报修数据和贝叶斯网络模型进行参数学习，采用梯形模糊数方法进行先验概率的确定，最终通过联合树(Junction Trees，J‑Trees)算法得到中间节点的后验概率，更为客观的方式得出设备故障的发生概率并辅助进行故障诊断。 | ||||||
| 735 | 一种基于两步贝叶斯网络的光伏异常数据清洗方法及系统 | CN202410169325.6 | 2024-02-06 | CN117932228A | 2024-04-26 | 王诜; 郭帅; 宋玮琼; 李海涛; 赵乐; 赵成; 宋威; 韩柳; 李季巍; 宋彦辛; 吕凤鸣 |
| 本发明属于可再生能源发电技术领域，具体涉及一种基于两步贝叶斯网络的光伏异常数据清洗方法及系统。所述方法包括：获取样本数据并处理，得到第一样本集；样本数据包括：光伏电流、光伏电压、温度和辐照度；根据第一样本集，建立光伏电流条件概率模型并进一步得到光伏电流条件概率置信区间，将置信区间外的电流和对应的数据删除，得到第二样本集；根据第二样本集，建立光伏电压条件概率模型并进一步得到光伏电压条件概率置信区间，将置信区间外的电压和对应的数据删除，得到清洗过的样本数据。本发明考虑了温度、辐照度的影响，将电流和电压分开进行异常数据清洗，确保光伏系统高效运行，减少能源浪费，降低了维护成本。 | ||||||
| 736 | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 | CN201911143804.6 | 2019-11-20 | CN110930024B | 2024-04-26 | 张英俊; 司东森; 郎坤; 张明明 |
| 本发明公开了一种基于贝叶斯网络的深海应急态势智能分析系统及方法，属于深海应急态势风险智能分析技术，该系统包括应急数据获取模块、应急数据处理模块、应急态势分析模块和应急态势显示模块，可从数据库系统中读取深海应急现场产生的数据，也可以通过对话框界面获取人工输入的现场应急数据，并对其进行预处理，通过采用应急态势智能分析模型，输入经过预处理的数据，输出为应急态势风险的量化分析结果。该分析方法用来进行应急态势分析模型的构建，实现系统中应急态势分析模块的主要功能，该系统和方法量化了深海应急过程中潜在的风险，从全局视角提升对应急作业风险的发现、识别和分析能力，提高了应急救援指挥人员对态势风险信息的掌握，对辅助应急决策方案的生成具有重大价值和意义。 | ||||||
| 737 | 一种基于多源信息融合动态贝叶斯网络的热流辨识方法 | CN202410042297.1 | 2024-01-11 | CN117910348A | 2024-04-19 | 孟松鹤; 疏浩; 高博; 杨强; 易法军; 许承海; 潘威振 |
| 一种基于多源信息融合动态贝叶斯网络的热流辨识方法；辨识方法分为两个阶段，第一阶段在固定热流下确定材料热物性，第二阶段采用第一阶段中的热物性，进而辨识表面热流。在动态贝叶斯网络中，首先将表面烧蚀后退量和内部温度历史数据信息作为观测节点，形成多源观测信息。同时，采用灵敏度分析获得动态贝叶斯网络中每个时间步长的关键参数，并且在相应的时间步长中仅辨识有限数量关键参数。本发明提供的辨识方法增加了观测信息类型并减少了同时辨识参数数量，有效降低了烧蚀材料热流辨识中热流与热物性之间的双重不确定性，提高了辨识精度。 | ||||||
| 738 | 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法 | CN202010381608.9 | 2020-05-08 | CN113627451B | 2024-04-19 | 李如意; 熊章学; 都正周; 王文浩; 韩林峰; 黄奇峰; 赵双双; 夏国芳 |
| 本发明涉及一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，包括：建立具有表征外部数据和用电行为对应关系的贝叶斯网络；获取用户历史用电数据及对应的外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；采集用户的用电负荷及外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应的用电行为作为用电行为检测结果。本发明建立贝叶斯网络用户行为模型，采用电气特征结合天气、温度、用电时段等非电量特征，进行负荷辨识，提升了辨识准确率。 | ||||||
| 739 | 基于小数据集的转子故障贝叶斯网络诊断方法及系统 | CN202410024993.X | 2024-01-08 | CN117874643A | 2024-04-12 | 王进花; 刘正奇; 魏婷; 曹洁; 刘昀强; 张健; 李杰; 曹文宝 |
| 本发明公开了基于小数据集的转子故障贝叶斯网络诊断方法，包括：获取转子故障数据并进行预处理，得到多个不同的子训练数据集；通过K2算法并基于多个子训练数据集和改进的BDe评分函数，得到多个不同的贝叶斯网络结构；将多个贝叶斯网络结构转换为对应的多个网络矩阵；基于多个网络矩阵并通过集成策略函数得到最优结构的得分矩阵；基于得分矩阵得到最优贝叶斯网络结构；基于极大似然估计学习最优贝叶斯网络结构中的变量参数，得到网络结构最优参数；基于最优参数和最优贝叶斯网络结构对待检测数据进行诊断，得到故障诊断结果。解决了小数据集下最优贝叶斯网络结构学习困难的问题，进而提高了贝叶斯网络的诊断精度。 | ||||||
| 740 | 一种基于贝叶斯网络的职称晋升因果分析方法和装置 | CN202311563298.2 | 2023-11-22 | CN117829402A | 2024-04-05 | 傅文萱; 李博; 朱仁崎; 张忠山; 沈大勇; 潘琳; 王涛; 毛世奥; 林翔; 姚锋; 陈英武; 陈盈果; 刘晓路; 吕济民; 陈宇宁; 何磊; 杜永浩; 闫俊刚; 王沛; 程力; 潘雨 |
| 本发明公开了一种基于贝叶斯网络的职称晋升因果分析方法，包括：获取人员特征，对人员特征预处理得到量化特征；基于二元逻辑回归模型对量化特征进行筛选，确定职称晋升影响因素；基于职称晋升影响因素构建贝叶斯网络；对贝叶斯网络进行逆向推理和敏感性分析，计算得到职称晋升影响因素对参评成功的影响程度。本方案能够从原始人员特征中筛选出对职称晋升存在显著影响的因素，实现各影响因素对职称晋升的因果发现。 | ||||||
QQ群二维码
意见反馈
意见反馈