| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 841 | 一种特征加权贝叶斯网络的用电用户投诉预警方法 | CN202111273660.3 | 2021-10-29 | CN113987808A | 2022-01-28 | 董钟泽; 马岩; 吴大伟; 王妍; 陆春辉; 冯静宇; 于永兴; 赵蓓蓓; 刘景野; 马英宾; 许春蕾 |
| 本发明涉及了一种特征加权贝叶斯网络的用电用户投诉预警方法，包括以下步骤：步骤一：建立特征加权的朴素贝叶斯算法；步骤二：进行贝叶斯网络学习；步骤三：数据预处理与特征提取；步骤四：投诉行为特征提取；步骤五：建立基于互信息贝叶斯的用户投诉风险预测模型；步骤六：进行实时预测，根据预测结果对用户用电投诉行为情况进行预警。通过建立一种特征加权贝叶斯的投诉风险预测模型，并通过大数据技术对电力用户投诉行为的潜在风险进行挖掘，将用户基本信息与用户投诉信息相关联挖掘内在联系，提高对潜在投诉用户的预测精度，同时通过对贝叶斯网络结构的优化，增强预测的精度和稳定性，最终实现对潜在用电投诉用户的可靠预测。 | ||||||
| 842 | 一种基于贝叶斯学习的端到端网络资源分配方法 | CN202111306962.6 | 2021-11-05 | CN113966004A | 2022-01-21 | 李大鹏; 柳晓寒; 朱天林; 蒋锐; 王小明; 徐友云 |
| 本发明公开一种基于贝叶斯学习的端到端网络资源分配方法，属于计算、推算或计数的技术领域。该方法采用基于博弈框架的解决方案，提出一个反映服务商需求信息的网络资源定价策略，通过对网络资源状态和服务商行为的分析，实现更加合理的网络资源定价和分配。该方法先建立多个服务商与运营商的博弈模型，运营商根据有限的需求信息选择第一阶段的单位网络切片价格；在第二阶段中更新需求信息确定价格。仿真结果表明该系统模型纳什均衡点的存在性，并提出一种响应式网络资源切片分配的方案，避免服务商集中请求资源时导致的资源短缺和网络拥塞，从而实现网络资源的合理分配。 | ||||||
| 843 | 基于贝叶斯网络的杆系结构损伤识别模型与方法 | CN202111179236.2 | 2021-10-09 | CN113919026A | 2022-01-11 | 方圣恩; 王璐 |
| 本发明提出一种基于贝叶斯网络的杆系结构损伤识别模型与方法，将BN与结构静力测试数据相结合，用于杆系结构中杆件的损伤识别。BN的建立包含网络拓扑定义和参数学习两个部分。本发明以外荷载作用下各杆件应变能密度数值来定义BN的节点变量，以值的大小确定节点间有向弧的指向。本发明通过抽样方式获取杆系结构可能的损伤工况，以生成对应的损伤样本集，再通过学习算法获取节点变量间的条件概率表，完成杆系结构的BN构建。最后，以观测杆件的状态数据作为证据输入BN，推理其他杆件是否存在损伤和评估损伤程度。 | ||||||
| 844 | 一种基于贝叶斯网络的目标人员识别方法及其相关设备 | CN202111217321.3 | 2021-10-19 | CN113888316A | 2022-01-04 | 刘玲; 冯德亮; 田鸥; 李菲; 王丽虹; 文广明 |
| 本申请属于人工智能领域，应用于智慧政务管理领域中，涉及一种基于贝叶斯网络的目标人员识别方法，包括获取初始数据，通过预设的决策树对初始数据进行计算并输出包括初始人员、识别规则和信息增益比的识别数据；根据信息增益比选择目标识别规则，选取与目标识别规的目标人员，并计算目标人员作为第一类对象的第一目标概率；基于第一目标概率，通过贝叶斯网络模型计算目标人员作为第二类对象的第二目标概率。本申请还提供一种基于贝叶斯网络的目标人员识别装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，在识别过程中涉及到的数据可存储于区块链中。本申请能够提高对不同类型对象的识别准确率，以对人员类型识别提供有效科学支撑。 | ||||||
| 845 | 贝叶斯网络结构的生成方法、装置、电子设备和存储介质 | CN202110237214.0 | 2021-03-03 | CN113807522A | 2021-12-17 | 丁茹; 龚文化; 顾松庠 |
| 本申请提出一种贝叶斯网络结构的生成方法、装置、电子设备和存储介质，其中，生成方法包括：获取贝叶斯网络的多个节点；获取每个节点在第一时刻对应的第一时序数据；获取每个节点在第二时刻对应的第二时序数据，其中，第二时刻大于第一时刻；分别计算每个节点的第一时序数据与每个节点的第二时序数据之间的多个相关度；以及根据多个相关度对贝叶斯网络的多个节点进行结构构建，以生成贝叶斯网络的结构。本申请实施例的生成方法，提高了贝叶斯网络结构的生成效率和准确性。 | ||||||
| 846 | 基于离散贝叶斯网络的混合线路配电网故障区段定位方法 | CN202111042645.8 | 2021-09-07 | CN113791307A | 2021-12-14 | 章立宗; 沈祥; 许海峰; 王军慧; 王松; 蒋玮; 金乃正; 秦建松; 刘安文; 戚宣威; 汪磊; 李勇; 闫志坤; 刘学; 陈明; 董钦; 贺明; 曹文斌; 金钢 |
| 本发明提供了一种基于离散贝叶斯网络的混合线路配电网故障区段定位方法，涉及技术领域，其包括简化配电网物理模型；分析线路段故障对两侧装置内的故障信息的影响，建立故障区段定位的离散贝叶斯网络模型；依据配电网简化模型的拓扑确定离散贝叶斯网络的结构；根据历史故障信息使用期望最大算法训练离散贝叶斯网络的参数；使用置信度传播算法推理离散贝叶斯网络，得到当前观测信息下各线路段故障状态的概率分布；依据线路段的故障状态概率分布确定发生故障的线路段，作为故障区段定位的结果。本发明可以提供故障时可能出现的所有情况及其概率，并且具有高数据容错性，可以有效解决故障信息畸变或缺失带来的故障区段定位不准确的问题。 | ||||||
| 847 | 一种基于贝叶斯神经网络的系统健康状态预测方法 | CN202111097887.7 | 2021-09-18 | CN113742195A | 2021-12-03 | 王晓红; 王立志; 孙雅宁; 姚梦菲; 苏霖 |
| 本发明涉及一种基于贝叶斯神经网络的系统健康状态预测方法，包括：将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测。本发明有效利用了健康状态监测数据，避免了数据重叠和耦合的情况；利用贝叶斯神经网络将系统状态进行划分并预测，有效指导后续系统的运行和维护。 | ||||||
| 848 | 一种基于演化计算的贝叶斯网络结构优化方法及装置 | CN202111062298.5 | 2021-09-10 | CN113722971A | 2021-11-30 | 周鋆; 孙宝丹; 李昡熠; 王建江; 张维明 |
| 本申请涉及一种基于演化计算的贝叶斯网络结构优化方法、装置、计算机设备和存储介质。所述方法包括：根据GS算法对贝叶斯网络结构进行约束学习，得到的有向无环图作为贝叶斯网络结构学习的结构先验信息，得到贝叶斯网络结构学习问题的初始解；根据BNC‑PSO算法中的遗传算法的变异算子和交叉算子对初始解进行变异和交叉操作，得到贝叶斯网络结构学习问题的候选解；根据BNC‑PSO算法中的粒子群算法对贝叶斯网络结构学习问题的候选解进行搜索操作，得到第一全局最优解，根据第一全局最优解得到第二全局最优解，根据第二全局最优解进行贝叶斯网络结构优化。采用本方法能够提高贝叶斯网络结构学习准确度。 | ||||||
| 849 | 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 | CN110263835B | 2021-11-12 | 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。 | ||||||
| 850 | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 | CN202110922974.5 | 2021-08-12 | CN113591396A | 2021-11-02 | 马振国; 谢楠; 唐兵; 黄煜铭; 张柯琪; 曹丹怡; 张建勇; 张斌武; 周超敏 |
| 本发明涉及一种基于朴素贝叶斯网络的电网元器件故障诊断方法，包含以下步骤：将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，计算运行状态为“故障”与“正常”的先验概率P(c)：对各标签采用向量平滑；针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(xi|c)；根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：比较c＝1和c＝‑1时后验概率的大小。本发明在运维人员进行现场诊断、维修之前便对各元器件是否故障进行判断，从而有针对性的携带元件前往更换，为电网运维人员提供便利，提高了电网工作人员定位故障的速度和工作效率。 | ||||||
| 851 | 基于广度优先搜索的贝叶斯网络结构精确建模方法 | CN202110822710.2 | 2021-07-21 | CN113569474A | 2021-10-29 | 贺楚超; 王鹏; 邸若海; 吕志刚; 李晓艳; 许韫韬; 张玉芳; 李亮亮; 孙梦宇; 辛泊言 |
| 本发明为一种基于广度优先搜索的贝叶斯网络结构精确建模方法，其克服了现有技术中存在的传统的基于深度优先搜索的算法效率有待提高的问题。本发明包括以下步骤：构建节点集合与其标号所对应的哈希表；计算网络各节点的全家族评分并以哈希表形式存储；对于网络各节点，在其父节点图中，依据广度优先搜索策略，获取最优父节点集合以及评分并以哈希表形式进行存储；在节点序图中，依据广度优先搜索策略，获取各节点组合的最优网络结构评分和最优叶节点并以哈希表形式进行存储；从全节点组合开始，提取最优叶节点和对应叶节点的最优父节点集合组成网络结构的一部分，更新当前节点集，并重复上述过程，直至节点集合为空。 | ||||||
| 852 | 基于随机计算贝叶斯神经网络误差注入的图像分类方法 | CN202110545001.4 | 2021-05-19 | CN113516172A | 2021-10-19 | 姜书艳; 孙召曦; 许怡楠; 黄乐天 |
| 本发明公开了一种基于随机计算贝叶斯神经网络误差注入的图像分类方法，包括以下步骤：S1：对输入数据、权重参数和偏置参数进行缩放；S2：通过前向转换电路将缩放后的浮点输入数据、浮点权重参数和浮点偏置参数转换为随机位流形式；S3：搭建贝叶斯神经网络的随机计算神经元结构；S4：计算各个神经元节点的缩放比例，进行前向推理；S5：将输出位流转换为浮点形式，得到单次推理的输出结果；S6：重复步骤S4‑S5，取均值，并作为分类结果。本发明所提供的基于贝叶斯神经网络误差注入的图像分类方法，利用随机计算固有的噪声特性，无需引入额外的误差注入电路，实现了贝叶斯神经网络推理过程中计算与误差注入的统一。 | ||||||
| 853 | 基于贝叶斯神经网络随机加法分解结构的图像分类方法 | CN202110544590.4 | 2021-05-19 | CN113516171A | 2021-10-19 | 姜书艳; 孙召曦; 许怡楠; 黄乐天 |
| 本发明公开了一种基于贝叶斯神经网络随机加法分解结构的图像分类方法，将贝叶斯神经网络的属性参数进行缩放得到缩放属性参数，将缩放属性参数转换为随机位流数据，基于贝叶斯神经网络的网络结构确定参考多路选择器的输入个数，根据参考多路选择器的输入个数确定中间多路选择器的输入个数和数量，基于参数缩放因子、中间多路选择器的输入个数和数量确定内积运算单元的内积缩放因子，并根据随机位流数据、中间多路选择器确定内积运算单元的内积运算输出结果，基于内积缩放因子和参数缩放因子确定输出比例因子，然后输出所述贝叶斯神经网络的最终输出结果从而完成图像分类，通过上述分类方法进行图像分类，大大减小了分类时硬件实现的成本。 | ||||||
| 854 | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | CN202110684729.5 | 2021-06-21 | CN113447828A | 2021-09-28 | 谭晓军; 欧阳孔雷; 范玉千; 彭卫文; 吕鹏翔 |
| 本发明公开了一种基于贝叶斯神经网络的锂电池温度估计方法及系统，该方法包括：采集电池电化学阻抗谱数据和温度标签；基于ARD算法对电池电化学阻抗谱数据进行处理，得到温度相关特征和温度相关阻抗频率点；基于温度相关特征和温度标签训练贝叶斯神经网络模型，采集温度相关阻抗频率点下的阻抗数据；将阻抗虚部数据输入温度估计模型，得到当前时刻电池内部估计温度及置信区间。该系统包括：离线数据采集模块、温度相关数据确定模块、模型训练模块、在线数据采集模块和温度估计模块。通过使用本发明，实现了对动力电池全生命周期的准确内部温度估计。本发明作为一种基于贝叶斯神经网络的锂电池温度估计方法及系统，可广泛应用于电池热管理领域。 | ||||||
| 855 | 一种基于贝叶斯网络的告警根因分析方法及过滤方法 | CN202011435334.3 | 2020-12-10 | CN112615735B | 2021-09-28 | 向超; 詹会兰; 杨茂林; 雷航 |
| 本发明提出了一种基于贝叶斯网络的告警根因分析方法及过滤方法，通过构建告警贝叶斯网络，并用于分析告警之间的关联关系，以准确找到根源告警。同时，本发明结合Spark计算引擎并行优化算法，很大程度上提高了算法的时间效率；并且对网络告警进行预处理，过滤网络中发生频率高、持续时间短而重要程度低的颤动告警，以提高告警训练数据的质量，使得构建的告警贝叶斯网络模型的准确度更高。本发明基于上述操作，在准确率和时间效率表现优异，并且在大数据的环境下，能通过和spark框架结合，提升算法的时间效率，能更好的适应大数据环境。 | ||||||
| 856 | 一种基于贝叶斯网络的交通路网动态预测方法及系统 | CN202110704791.6 | 2021-06-24 | CN113409576A | 2021-09-17 | 李大庆; 周栋; 张坤 |
| 本发明公开了一种基于贝叶斯网络的交通路网动态预测方法及系统。该方法包括：采集预测范围内设定时间的交通路网的车流信息，形成预测范围内每个路段的交通状态量的时间序列；对时间序列进行相关性分析，确定训练集；通过训练集对贝叶斯网络结构进行训练，得到预测模型；基于预测模型对预测范围内不同时延下各路段进行预测，得到不同时刻各路段的预测结果；根据预测结果，确定不同时延下交通路网中可预测的路段，得到最大连通子团；子团的相变时刻，为交通路网的可预测时延；基于交通路网的可预测时延，确定交通路网动态预测结果。本发明有效地解决了在城市交通路网中预测车流信息选择提前预测时长的问题，能够更加精确的预测城市交通路网。 | ||||||
| 857 | 基于关联规则贝叶斯网络的高压输电线路状态评估方法 | CN202110473957.8 | 2021-04-29 | CN113408842A | 2021-09-17 | 张函; 鞠翔; 郭康; 魏金林; 严俊; 颜帅; 王家磊; 徐家将; 黄大彬; 宋洪运; 黄剑湘 |
| 本申请公开了基于关联规则贝叶斯网络的高压输电线路状态评估方法，S1、构建线路基础状态评估参数体系；S2、建立输电线路关键状态参量评估模型，构建线路评估关键参数体系；S3、建立基于贝叶斯网络的线路状态评估图模型和数学模型；S4、输电线路贝叶斯网络算法模型学习；S5、对输电线路状态进行评估。本发明对输电线路在运行过程中主要的故障类型及影响情况进行分析，并结合线路的评估导则和实际运行经验，选取出能够反映输电线路运行状态的8个部件和84个指标状态参量，组成基础状态评估参量体系；利用关联规则方法的支持度和置信度对基础参量进行量化，挑选出最能准确反映线路状态的指标参量，构成关键参量体系。 | ||||||
| 858 | 基于贝叶斯网络的多阶段柔性测试系统可靠性评估方法 | CN202110713968.9 | 2021-06-25 | CN113393146A | 2021-09-14 | 魏善碧; 侯杨; 周建雄; 肖勇; 潘天乐; 钟豪 |
| 本发明公开了基于贝叶斯网络的多阶段柔性测试系统可靠性评估方法，主要涉及可靠性评估领域；包括步骤：S1、构建测试系统阶段内贝叶斯网络模型；S2、构建测试系统阶段间贝叶斯网络模型；S3、构建多阶段柔性测试系统贝叶斯网络模型；S4、阶段顺序测试特征变量的提取；S5、阶段顺序滚动优化问题的构建；S6、阶段顺序滚动优化问题求解；本发明能够对复杂多元化的系统进行可靠性评估，在保证系统的可靠性条件下，对任务测试顺序进行了优化。 | ||||||
| 859 | 一种基于变结构动态贝叶斯网络的数字孪生建模推理方法 | CN202110766959.6 | 2021-07-07 | CN113378482A | 2021-09-10 | 叶雨玫; 杨强; 高博; 霍艳艳; 孟松鹤 |
| 本发明公开了一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，主要包括：针对目标系统，确定构建其结构数字孪生框架所涉及的各类数据；围绕这5类数据，采用动态贝叶斯网络来表征所构建的数字孪生系统；进一步建立可变结构动态贝叶斯网络，以表征包含多损伤模式的数字孪生框架；制定网络的概率分布；基于建立的动态贝叶斯网络，进行结构诊断与预测推理。本发明所述的方法针对传统建模中存在大量的不确定性，以及鲜少考虑多损伤之间相互作用的问题，通过数据驱动模型结构和参数更新，提高了模型预测精度，并降低了预测不确定性，对保障大型复杂结构可靠运行、延长使用寿命、降低维护成本具有实际意义。 | ||||||
| 860 | 针对MIMO-OFDM通信系统的贝叶斯神经网络信道估计方法和装置 | CN202110644189.8 | 2021-06-09 | CN113347125A | 2021-09-03 | 季然; 单文才; 赵民建 |
| 本申请提出了一种针对MIMO‑OFDM通信系统的贝叶斯神经网络信道估计方法，涉及深度学习技术领域，其中，该针对MIMO‑OFDM通信系统的贝叶斯神经网络信道估计方法包括：获取输入数据，并通过MIMO‑OFDM通信系统进行数据传输，得到接收端的通信数据；根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值，其中，贝叶斯神经网络中的网络参数均为概率分布；根据信道响应的估计值在接收端对发送数据进行恢复并解码。本发明引入贝叶斯神经网络对MIMO‑OFDM信道进行拟合，提高了信道估计准确度。 | ||||||
QQ群二维码
意见反馈
意见反馈