目前一些常用的故障診斷方法都是以大樣本數據集為基礎的,但實際工程中受環(huán)境的限制只能得到小樣本數據,有必要建立一種基于小樣本故障診斷的分類模型。同時,在表達不確定性問題和多源信息表達與融合方面,基于人工智能的智故障診斷方法存在或多或少的缺陷。貝葉斯網絡作為目前不確定性知識表達和推理領域最有效的理論模型之一,適用于不確定性和概率推理的知識表達和推理。因此,研究用貝葉斯網絡構建分類性能良好的分類模型,對實際小樣本故障診斷的應用是非常有意義的。本論文重點構建了兩類貝葉斯分類模型。首先,針對現有樸素貝葉斯分類模型只能解決離散屬性變量問題,對于連續(xù)變量的分類問題,往往要先進行預離散化,這容易造成分類信息的丟失,進而影響分類精度。本文通過分析混合高斯模型的特點,結合現有的樸素貝葉斯分類模型,構建了基于連續(xù)屬性變量的貝葉斯分類模型(CNBC)。本論文建立了兩類準確性評估模塊,仿真試驗表明,新構建的分類模型能有效提高對連續(xù)屬性數據的分類精度,并且分類性能明顯優(yōu)于現有同類算法。鑒于樸素貝葉斯分類器盡管有良好的分類性能,但不能正確揭示變量之間的因果關系,本論文基于K2算法構建了通用貝葉斯網絡分類器(GBNC... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

圖3-2分類器性能隨訓練樣本數的變化曲線

20 個訓練樣本學習網絡結構之前，它們之間的因果關系述為：A→B，C→D。這樣做的好處是方便對學習到的網 K2 算法學習貝葉斯網絡結構。離散等級 m 取 3，算法要，實現時取節(jié)點序列的倒序，學習到的結果如圖 4-3 所示

下面選取第 5 級離散數據時的實驗結果作為 GBNC_K2 分類模型的最終輸出結果，分析數據間的網絡結構。圖4-4是取離散等級 時運行通用貝葉斯分類器GBNC_K2后學習到的網絡結構，以及簡單樸素貝葉斯分類模型SNBC所基于的網絡結構（假設已知）。m =5a）GBNC_K2 分類模型生成的網絡結構 b）SNBC 分類模型的網絡結構圖 4-4 兩種分類模型生成的網絡結構Fig.4-4 Structures trained by the two Bayesian classifiers從第一個網絡結構可以直觀地看出，類節(jié)點 Class 與屬性節(jié)點 B、C 和 D直接相關，C 和 A 直接相關，這意味著 GBNC_K2 分類模型能從 IRIS 數據集里成功學習到變量之間的依賴關系。并且由第二、第三第四個屬性特征直接決-41-

【參考文獻】：
期刊論文
[1]一種基于貝葉斯和神經網絡的醫(yī)學圖像組合分類方法[J]. 陳健美,宋順林,朱玉全,宋余慶,陳耿,程鵬,桂長青.  計算機科學. 2008(03)
[2]用于不完整數據的選擇性貝葉斯分類器[J]. 陳景年,黃厚寬,田鳳占,付樹軍.  計算機研究與發(fā)展. 2007(08)
[3]基于ICA與ViSOM的不完整數據處理[J]. 彭紅毅,蔣春福,朱思銘.  計算機科學. 2007(07)
[4]一種基于不完整數據的樸素貝葉斯分類器[J]. 陳景年,黃厚寬,田鳳占,喬珠峰.  計算機工程. 2006(17)
[5]面向大規(guī)模數據集的貝葉斯網絡參數學習算法[J]. 張少中,章錦文,張志勇,韓美君,王秀坤.  計算機應用. 2006(07)
[6]現代故障診斷技術研究現狀與趨勢[J]. 趙翔,黃磊,劉健,周紹騎.  后勤工程學院學報. 2006(02)
[7]具有丟失數據的貝葉斯網絡結構學習研究[J]. 王雙成,苑森淼.  軟件學報. 2004(07)
[8]故障診斷方法發(fā)展動向[J]. 曾儒偉,許誠,曾亮.  航空計算技術. 2003(03)
[9]基于貝葉斯網絡的分類器研究[J]. 周顏軍,王雙成,王輝.  東北師大學報(自然科學版). 2003(02)
[10]大型汽輪發(fā)電機組故障診斷技術現狀與發(fā)展[J]. 喬海濤,馮永新.  廣東電力. 2003(02)

碩士論文
[1]貝葉斯網絡在機械故障診斷中的應用研究[D]. 羅江華.重慶大學 2006



本文編號：2910950