| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 921 | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | CN201910456671.1 | 2019-05-29 | CN110276477A | 2019-09-24 | 巫义锐; 于清瀚; 徐维刚; 冯钧 |
| 本发明公开一种基于分层贝叶斯网络和增量学习的洪水预报方法，属于水文预报领域。该方法包括以下步骤：步骤1：对历史数据进行数据预处理；步骤2：基于水文知识挖掘构建分层贝叶斯网络模型；步骤3：基于样本选择和样本扩充进行增量学习，反复进行迭代学习；步骤4，使用模型进行预测，对结果进行纠偏。本发明在洪峰预测的表现上有一定的优势，预报精度满足中小河流洪水预报的要求，模型有很好的通用性和很强的鲁棒性，预测精度高，学习能力强，能够精准的进行中小河流的洪水预测。 | ||||||
| 922 | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 | CN201910541440.0 | 2019-06-21 | CN110188967A | 2019-08-30 | 何耀耀; 李路遥; 施诺; 赵秋宇; 祝贺功; 陈悦 |
| 本发明公开了一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法，其步骤包括：1获取气温、相对湿度、风力和电力负荷时间序列实际数据，对各列数据进行预处理，划分训练集和测试集数据；2对电力负荷原始数据进行小波阈值去燥处理，还原电力负荷时间序列真实信息；3构建贝叶斯网络模型，得到初始预测区间；4计算区间变化幅值范围，运用混沌人群算法得到最优区间变化幅值；5在最优区间变化幅值邻域采用混沌搜索，得到最终预测区间。本发明能通过构造预测区间测量电力负荷的不确定性，从而能为电力系统优化运行提供有效参考。 | ||||||
| 923 | 针对贝叶斯网络中引入专家评价的先验概率评估方法 | CN201610926730.3 | 2016-10-24 | CN106529582B | 2019-08-20 | 陈志平; 陈强强; 何平; 李哲威; 孟玲娇 |
| 本发明公开了针对贝叶斯网络中引入专家评价的先验概率评估方法。现有针对贝叶斯网络的先验概率评估方法未提及如何得到量化的专家评价先验概率，且当故障诊断样本容量不足时会造成故障因子的统计先验概率缺失。本发明首先对专家评价进行误差判别，包括评价失真误差和评价经验误差判别；然后对于故障因子，利用算术平均值和分批估计理论进行数据融合；基于多重插补对故障因子的历史统计概率补全；对专家评价数据集和统计概率数据集进行幂函数拟合，将专家评价转化为量化的先验概率。本发明有效将专家评价误差剔除、将专家组的评价拟合，实现精确量化专家评价，与诊断样本得到的统计概率结合，得到完备的先验概率集，提高贝叶斯网络推理的准确度。 | ||||||
| 924 | 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 | CN106124175B | 2019-08-06 | 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。 | ||||||
| 925 | 一种基于贝叶斯网络的系统故障定位方法和系统 | CN201910156884.2 | 2019-03-01 | CN110032463A | 2019-07-19 | 周扬 |
| 本公开涉及一种基于贝叶斯网络的系统故障定位技术，包括：基于历史故障数据集合对贝叶斯网络模型进行训练以生成贝叶斯网络推理机，其中，所述贝叶斯网络推理机以条件概率表形式总结出系统接口易被引发故障的规律；执行系统变更的观测，并在确定发生故障的被观测节点后触发贝叶斯网络推理机预测；针对每个可能导致被观测节点处的故障的变更源，所述贝叶斯网络推理机根据所述条件概率表计算由其引发所述被观测节点故障的后验概率；以及选择后验概率最大的计算结果作为故障定位的结果输出。 | ||||||
| 926 | 一种基于贝叶斯混合模型的网络故障数据合成方法 | CN201910165006.7 | 2019-03-05 | CN109951327A | 2019-06-28 | 阴法明; 杜庆波 |
| 本发明公开了一种基于贝叶斯混合模型的网络故障数据合成方法，该方法用于解决现有网络故障预测中由于故障数据较少而产生的预测性能下降的缺陷，本发明首先对于采集到的具有非均衡特性的网络数据集，用贝叶斯混合模型表示该数据集中的少数类故障数据分布，而后完成模型参数估计，利用训练好的模型产生少数类故障样本，使故障和非故障这两类数据达到均衡。采用本发明的方法，能够准确地把握具有非均衡特性的网络数据集特性，有效地提升网络故障预测准确率。 | ||||||
| 927 | 一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法 | CN201910001325.4 | 2019-01-02 | CN109934252A | 2019-06-25 | 李仲兴; 陈震宇; 薛红涛; 江洪 |
| 本发明公开一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，根据轮毂电机运行状态信息和高敏感特征参数建立单个时间片段内的初始数据训练集和单个时间片段内的贝叶斯网络模型，建立单个轮毂电机运行状态识别模型；将当前时间片段中将高敏感特征参数、路面等级、载荷等级、车速等级作为识别模型的输入对轮毂电机运行状态在线识别，得到识别结果并上传至识别模型云训练中心，识别模型云训练中心对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，利用新数据集将二时间片段之间状态转移概率分布进行更新；解决了仅依靠单一因素对轮毂电机运行状态进行识别的不精准问题，提高了识别准确性。 | ||||||
| 928 | 构建解决组合爆炸问题的级联贝叶斯网络的方法 | CN201610297916.7 | 2016-05-06 | CN105975694B | 2019-06-04 | 王瑶; 孙秦 |
| 一种构建解决组合爆炸问题的级联贝叶斯网络的方法，本发明包含两个核心部分：A由系统通路构建级联贝叶斯网络拓扑结构的方法；B级联贝叶斯网络的中间节点概率参数设置方法。首先完成贝叶斯网络拓扑结构的构建，该网络拓扑结构与工程实践中的故障级联构型一致，再完成并贝叶斯网络各节点条件概率表的设置，最后共同完成了级联贝叶斯网络的构建。当级联贝叶斯网络构建完毕，能够运用任何已有贝叶斯网络推理技术对该级联贝叶斯网络进行推理计算，以求得系统可靠度。本发明能够在保证系统可靠度计算结果正确的同时，有效减少网络中的概率参数，具体是将各通路上概率参数个数从指数级降低到线性级，提高了计算效率，解决了组合爆炸问题。 | ||||||
| 929 | 基于神经网络和贝叶斯模型的多层次递进分类方法及系统 | CN201811647945.7 | 2018-12-29 | CN109784387A | 2019-05-21 | 袁晓艳; 邱实; 裴非; 李昊; 武新 |
| 本发明提出一种基于神经网络和贝叶斯模型的多层次递进分类方法及系统，包括：神经网络数据预处理，对第一层模型准备好神经网络训练模型的特征向量和预测结果；神经网络的训练，在准备好的数据上进行神经网络模型的训练，构建大类层次的分类器模型；贝叶斯模型的训练，在每个大类下建立该类别的贝叶斯网络模型；待分类样本的预测步骤。本发明充分利用不同模型的优缺点，对海量数据根据层次的需要做了分批训练，由此一系列的模型确定待分类样本的标签，并对多个模型的训练和预测提出了相应的解决方案。 | ||||||
| 930 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | CN201910013650.2 | 2019-01-13 | CN109740679A | 2019-05-10 | 胡燕祝; 王松 |
| 本发明涉及基于卷积神经网络和朴素贝叶斯的目标识别方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)确定训练集样本A中图片像素点平移和归一化后的坐标(x′，y′)，得到新的训练集A″；(2)训练卷积神经网络，更新连接权值ωi；(3)提取特征向量X；(4)将特征向量X作为朴素贝叶斯模型的输入，建立朴素贝叶斯模型进行训练；(5)将测试集样本作为输入，送到组合网路中进行分类，得到分类结果。本发明所建立的基于卷积神经网络和朴素贝叶斯的目标识别方法用朴素贝叶斯替换了传统卷积神经网络中的Softmax分类器实现了分类预测，充分利用了卷积神经网络全连接层输出的特征向量的特征信息。通过多组数据实验可知该方法计算精确、可靠，数据结果相对稳定，为图片目标识别提供了在保证了分类准确的基础上的稳定识别方法。 | ||||||
| 931 | 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 | CN106341414B | 2019-04-23 | 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。 | ||||||
| 932 | 用于随机尖峰贝叶斯网络的基于事件的推断和学习 | CN201580009313.6 | 2015-02-19 | CN106030620B | 2019-04-16 | X·王; B·F·贝哈巴迪; A·霍斯劳沙希 |
| 一种执行基于事件的贝叶斯推断和学习的方法包括在每个节点处接收输入事件。该方法还包括将偏置权重和/或连接权重应用于输入事件以获得中间值。该方法进一步包括基于中间值来确定节点状态。此外，该方法包括基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。 | ||||||
| 933 | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 | CN201811369445.1 | 2018-11-16 | CN109409614A | 2019-03-01 | 叶铁丰; 郑明; 陈伟; 潘锡杰; 戴志博; 龙翔; 曹天亮; 杨凡 |
| 本发明公开了一种基于贝叶斯正则化神经网络的电力负荷预测方法，包括以下步骤：获取电量历史数据，分析影响用电量增长的关键因数；确定BP神经网络结构；用BP算法训练网络使总误差F(W)达到最小；计算有效参数个数γ；使用贝叶斯方法计算超参数α和β的新的估计值；重复执行上述直到达到所需精度，从而完成贝叶斯正则优化神经网络建立；输入新的影响用电量增长的关键因数，得到该时段的全社会电力负荷情况。本发明的优点是：将贝叶斯方法用于神经网络的建模过程中，通过正则化方法修正神经网络的训练性能函数来提高其泛化能力，其收敛速度快，能得到更小的训练误差。 | ||||||
| 934 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 | CN201811009968.5 | 2018-08-31 | CN109298704A | 2019-02-01 | 帅云峰; 周春蕾; 高阳; 宋蓓; 孙栓柱; 张友卫; 李逗; 杨晨琛; 李春岩; 潘苗; 王林; 孙彬; 高进; 王其祥; 王明 |
| 本发明公开一种基于贝叶斯网络的工业故障路径追溯方法及系统。所述基于贝叶斯网络的工业故障路径追溯方法包括：步骤1：数据预处理，剔除原始数据中的噪声数据；步骤2：根据预处理后的数据，进行贝叶斯网络建模；步骤3：异常值检测，拟合自回归模型，并对拟合残差作后验检验来判断数据异常；步骤4：故障路径追溯，根据所检测出异常数据及故障属性，通过分析父节点的最大影响来求得一条最有可能的故障传播路径。本发明还提供一种基于贝叶斯网络的工业故障路径追溯方法的系统。 | ||||||
| 935 | 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 | CN105704736B | 2019-01-29 | 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。 | ||||||
| 936 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 | CN201810840749.5 | 2018-07-27 | CN109242243A | 2019-01-18 | 刘君强; 张曦; 左洪福; 张振良; 黄亮 |
| 本发明基于改进随机集贝叶斯网络的航班运行风险动态分析方法，包括影响航班运行风险的参数处理和运行风险的三个不同阶段分析计算。影响航班运行风险的参数处理包括：确定影响参数的数量；利用随机集理论进行参数处理；确定贝叶斯网络中的节点；划分贝叶斯网络中的父节点并赋基本概率值；计算随机集焦元所在区间及其概率；计算随机集焦元的像所在区间和概率赋值；得出贝叶斯网络条件概率表。运行风险的动态分析计算包括：结合具体机场的统计数据确定相关影响参数的初始值；根据天气状况对随机集贝叶斯网络中的天气参数进行相关调整；计算出每个时间段的航班运行风险的预测值；做出航班运行风险随时间变化的动态曲线。 | ||||||
| 937 | 基于半朴素贝叶斯分类器的车载容迟网络数据转发方法 | CN201810749622.2 | 2018-07-10 | CN109041010A | 2018-12-18 | 吴家皋; 周虹宇; 刘林峰 |
| 本发明揭示了一种基于半朴素贝叶斯分类器的车载容迟网络数据转发方法，包括如下步骤：S1、每个节携带数据报文，则当前节点获取当前信息，并依据半朴素贝叶斯分类器和点内维护有一张数据报文转发历史表；S2、移动当前节点并判断相遇节点是否为目的节点，若是，则将数据报文直接转发给目标节点，转发结束，若不是，且相遇节点并未数据报文转发历史表计算当前节点成功投递数据报文的概率I当前；S3、获取相遇节点成功投递数据报文的概率I相遇；S4、判断I当前与I相遇的大小，若I当前＞I相遇，则返回S2，若I当前＜I相遇，则当前节点将所携带的数据报文转发给相遇节点。本发明不仅能够显著提升报文投递率，而且还有效地降低了网络开销，具有很高的使用及推广价值。 | ||||||
| 938 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 | CN201810913303.0 | 2018-08-13 | CN109002928A | 2018-12-14 | 田世明; 王文秀; 卜凡鹏; 覃剑; 龚桃荣 |
| 本发明提供了一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置，先以获取的气象数据和数值化处理后的时间数据为聚类特征，对以获取的负荷数据进行聚类，然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测，其中的贝叶斯网络模型根据聚类结果构建，本发明在外界影响因素变化较大时预测结果偏差较小，学习速率快，能够处理大规模样本。本发明中能够有效处理不完整数据，和其他技术结合进行因果分析，使先验知识和数据有效结合，且有效避免对数据的过渡拟合，对环境因素变化较大时依然具有较高的准确度。 | ||||||
| 939 | 基于多标记学习和贝叶斯网络的中医症型分类预测方法 | CN201710027490.8 | 2017-01-16 | CN106874655B | 2018-12-14 | 夏勇; 马梦羽; 沈璐; 张艳宁 |
| 本发明涉及一种基于多标记学习和贝叶斯网络的中医症型分类预测方法，通过寻找到中医糖尿病6种症型之间的关系，发掘每个症型存在的隐形“成因”，并将这些“成因”与传统四诊信息结合起来，构造增广特征集来描述样本。最后通过特征选择算法和多标记分类算法来构造分类器，实现对中医临床糖尿病6种常见症型的分类预测。 | ||||||
| 940 | 基于贝叶斯演化博弈的网络主动防御策略选取方法及装置 | CN201810594485.X | 2018-06-11 | CN108833401A | 2018-11-16 | 胡浩; 张红旗; 杨英杰; 常德显; 杨峻楠; 黄睿; 刘艺; 冷强 |
| 本发明属于网络安全技术领域，特别涉及一种基于贝叶斯演化博弈的网络主动防御策略选取方法及装置，该方法包含：依据实际攻防对抗网络中不完全信息博弈场景，构造网络攻防贝叶斯演化博弈模型；设置用于刻画博弈者学习能力的选择强度因子，构造攻防双方策略演化的随机复制动态方程；联立攻防双方策略演化的随机复制动态方程，通过求解获取攻防双方策略演化的稳定均衡点，确定最优防御策略并输出。本发明从参与者有限理性视角出发，借鉴描述生物进化的复制动态机理，构造参与者决策过程的复制动态方程并求解，适用于不完全信息网络攻防对抗场景，更符合实际应用，增强网络决策实施过程的通用性和可操作性，为主动防御策略选取提供有效指导。 | ||||||
QQ群二维码
意见反馈
意见反馈