改进细菌觅食优化算法在贝叶斯网络结构学习中的应用

针对目前已有的贝叶斯网络结构学习算法一般存在算法易早熟、学习效果不理想、算法效率较低等问题,提出了基于改进细菌觅食优化算法的贝叶斯网络结构学习策略,对传统细菌算法中的趋化算子、繁殖算子和迁移算子进行了改进。将自适应理论应用于细菌游动步长的计算和繁殖个体的选择中;在迁移算子的迁移概率计算中,引入了遗传算法中的轮盘赌方法;在互信息理论的基础上,给出了一种新的网络结构随机进化方法,代替了传统细菌算法中的随机迁移。对不同规模的经典贝叶斯网络进行了仿真实验。研究结果表明,该算法在贝叶斯网络结构学习方面,在收敛性上表现稍逊于别的算法,但在学习效果上,特别是针对结构相对复杂的网络,优势明显。     

CS-PSO算法在贝叶斯网络结构学习中的应用（英文）

针对传统的贝叶斯网络(Bayesian network, BN)结构学习算法运行效率低、算法易早熟、学习效果不理想等缺点,选取布谷鸟(Cuckoo search, CS)和粒子群(Particle swarm optimization, PSO)智能算法,结合BN结构特点,提出了一种CS-PSO的BN结构学习算法。首先,对CS算法从以下三个方面进行改进:利用最大支撑树来指导CS算法的初始化方向,利用解的适应度来调节解的寻优及舍弃过程,利用PSO算法来进行CS算法的位置更新。其次根据BN的结构特征,将CS-PSO算法应用于BN的结构学习。最后采用chest clinic、 credit和car diagnosis三种经典网络作为仿真模型,进行贪婪算法、 K2算法、 CS算法和CS-PSO算法的建模和仿真比较。结果表明, CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高且稳定性好,可以更快、更优地得到精确的贝叶斯网络结构模型。     

层次朴素贝叶斯分类器构造算法及应用研究

贝叶斯网络分类器是数据挖掘与知识发现领域研究的主要方法之一.层次朴素贝叶斯分类器通过引入潜在节点来实现属性变量间存在聚集的层次关系,提出学习该分类器的构造算法.算法首先借助节点间的条件互信息值来锁定可能聚集节点的范围,然后再通过模拟退火算法来搜索评分较高的模型.层次朴素贝叶斯分类器的结构特点适于构造水质富营养化评价模型,应用于水质预警系统的结果证明该方法可行,并具有较好的适用效果.     

基于蚁群节点寻优的贝叶斯网络结构算法研究

K2算法是学习贝叶斯网络结构的经典算法。针对K2算法依赖最大父节点数和节点序的不足,以及蚁群算法搜索空间庞大的问题,提出了一种新的贝叶斯结构学习算法-MWST-ACO-K2算法。该算法通过计算互信息建立最大支撑树(MWST),得到最大父节点数;然后利用蚁群算法(ACO)搜索最大支撑树,获得节点顺序;最后结合K2算法得到最优的贝叶斯网络结构。仿真实验结果表明,该方法不仅解决了K2算法依赖先验知识的问题,而且减少了蚁群算法的搜索空间,简化了搜索机制,得到较好的贝叶斯结构。最后将该算法应用到冀东水泥回转窑的实际数据中,构建水泥回转窑的贝叶斯网络结构,提高了故障诊断的准确率。     

改进的贝叶斯优化算法及应用

提出了一种改进的贝叶斯优化算法。该算法通过引入免疫算法中的亲和度和浓度概念,将个体适应度概率和个体浓度概率相结合,形成贝叶斯优化算法选择优良个体的依据。这样,由低浓度、高适应度个体组成优良个体种群,能够保持种群的多样性,提高算法的性能。本文利用改进的贝叶斯优化方法对十杆平面桁架结构、二十五空间桁架结构进行优化设计,取得了满意的结果。     

采用布谷鸟算法的贝叶斯网络在异步机故障诊断中的应用

针对传统异步电机故障诊断方法中故障特征频率容易被基频淹没、抗干扰能力差、误判率高的问题,建立了基于定子电流信号Hilbert边际谱特征的贝叶斯网络电机故障诊断模型。将异步电机定子电流进行了希尔伯特-黄变换,提取出了Hilbert边际谱特征。在贝叶斯网络诊断模型的构建过程中,采用新型元启发式布谷鸟搜索算法学习各节点间的依赖关系,采用Levy飞行机制优化搜索路径从而提高了搜索效率,并在布谷鸟搜索算法中引入了竞争机制,提高了贝叶斯网络结构学习效果。以异步电机转子断条故障为例验证了诊断模型的有效性。研究结果表明,该故障诊断模型十分有效,诊断准确率高。     

贝叶斯推理网络在大型旋转机械故障诊断中的应用

本文简述了贝叶斯网络及网络传播的信念更新问题，并提出其在大型旋转机械故障诊断中的应用，建立了故障－－特征的贝叶斯网络，并分析了信念在网络中的传播与更新。     

贝叶斯推理网络在大型旋转机械故障诊断中的应用

本文简述了贝叶斯网络及网络传播的信念更新问题，并提出其在大型旋转机械故障诊断中的应用，建立了故障──特征的贝叶斯网络，并分析了信念在网络中的传播与更新。     

贝叶斯网络理论及其在设备故障诊断中的应用

在分析机电设备故障诊断技术中广泛存在的不确定性和复杂关联关系的基础上，指出目前的故障诊断方法在处理不确定性和关联性问题时存在的局限性，提出了应用基于概率理论和图论的贝叶斯网络作为设备故障诊断模型具有很好前景的观点。阐述了贝叶斯网络的提出与发展、模型数学描述及研究现状，讨论了贝叶斯网络在故障诊断领域应用的可能方式及其应用情况。指出贝叶斯网络技术在故障诊断领域中的应用将进一步得到推广，提出了将贝叶斯网络广泛应用到故障诊断领域中需要解决的关键技术。     

贝叶斯网络在火灾报警系统中的应用

在火灾报警系统中火灾概率分析存在不确定性因素问题,为此文章提出用贝叶斯网络对火灾概率进行分析。首先通过分析火灾燃烧原理,得到火灾概率与燃烧过程产生的物化特征之间的内在逻辑关系;在定义火灾燃烧特征参量作为贝叶斯网络节点变量的基础上,创建了基于Netica的火灾报警系统贝叶斯网络模型。通过概率推理和对节点的证据敏感性分析,验证了利用贝叶斯网络模型对火灾发生概率进行分析是可行的、有效的。     

基于树型贝叶斯网络的场景分类引擎训练算法

贝叶斯网络在场景分类统计模型设计中得到广泛的应用.但现有的大部分贝叶斯网络场景分类引擎没有能够充分利用贝叶斯网络丰富的知识表现能力和有效的自动学习能力.首先提出了一种灵活的树型贝叶斯网络分类引擎,用于场景分类模型的设计.然后,以条件对数似然评价为标准研究这种模型的自动学习方法,通过对分类器等价类的研究,证明了树型贝叶斯网络分类引擎自动训练过程可以忽略网络中边的方向,并提出了一个不需要对边重定向的学习算法.由于通常的场景图像编码维度较高,省略了边的重定向过程能够有效地减少模型的训练时间.实验结果验证了所提算法的平均训练时间在基准场景图像库上比传统算法的减少23.32％.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于粒子群优化的神经网络训练算法在产品种类预测中的应用

市场环境的变化导致产品更新换代加快，产品种类预测成为新的难题。传统的线性预测方法只能对产品需求的数量或价格等数值进行预测，而无法对产品的发展趋势和未来种类做出正确预测。通过对产品种类预测、数据挖掘和粒子群优化算法的研究，建立种类预测模型，利用基于粒子群优化的神经网络训练算法进行产品种类预测，并以手机为例进行预测，结果证明该方法是有效的。     

搜索后期斥力增强型混合引斥力微粒群算法及可靠性优化应用

将利用贝叶斯网络构造的系统故障概率函数作为可靠性指标,考虑费用、质量、体积构造了资源约束函数。针对微粒群算法引斥力规则的不足,提出了搜索后期斥力增强型混合引斥力微粒群算法(LRPSO算法)：在搜索前期,使微粒在其他微粒的引斥力作用下进行最优搜索,以保持种群多样性;在搜索后期,减小引力、增强斥力,利用斥力项避免微粒陷入较差位置,以提高局部搜索能力。算法测试和可靠性优化实例验证了LRPSO算法的有效性。     

计及电动汽车充电站的配电网综合优化研究

针对电动汽车充电站接入配电网优化运行这一问题,为达到降低配电网网损和提升网络节点电压质量的目标,在常规的配电网优化措施基础上,就计及电动汽车充电站接入的配电网综合优化问题进行了研究.分析了网络重构、无功优化、电动汽车充电站注入功率三者之间的关系,提出了应用粒子群算法（PSO）对三者进行统一优化的方法,并在IEEE33配电系统上进行了仿真试验.研究结果表明,在综合优化条件下系统的网损最低、电压质量最佳,从而验证了该方法的有效性.     

带收缩因子的PSO算法在齿轮箱故障诊断中的应用

应用带收缩因子的粒子群优化算法训练神经网络的权值矩阵，使神经网络的收敛速度大大提高，避免了其陷入局部最优解的缺陷；根据振动实验室齿轮箱实验数据，分析研究故障信号的特点，提取相应的特征参数，应用训练后的神经网络诊断齿轮箱的故障，实验表明故障诊断率较高。     

基于PCA-PDBNs的故障检测与自学习辨识

如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

基于LVQ工况识别的混合动力汽车自适应能量管理控制策略

为提高混合动力汽车的燃油经济性,选取6种典型行驶工况代表“市区”、“郊区”和“高速公路”3类主要工况,采用基于规则的模糊能量管理控制策略,以整车燃油经济性为目标,在3类主要工况下用改进型粒子群优化算法优化发动机联合工作曲线与发动机关闭曲线系数,得到相应的优化后的隶属度函数的参数;运用学习向量量化(LVQ)算法识别车辆运行工况,动态选择相应的模糊控制策略,使混合动力汽车控制策略对选定的几种代表性工况具有自适应性,从而提高整车的燃油经济性。仿真对比结果表明,相比于传统混合动力汽车,燃油经济性提高了3.4%。