本文關(guān)鍵詞：基于非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的研究與應(yīng)用　出處：《南京大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò) 轉(zhuǎn)換點(diǎn)檢測(cè) 異常工況 預(yù)測(cè)

【摘要】：近年來(lái),為了建模實(shí)際生活中普遍存在的非穩(wěn)態(tài)時(shí)間序列,非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)被提出。非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)突破了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中的同構(gòu)限制,成為了概率圖模型領(lǐng)域的研究熱點(diǎn)。在利用非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)建模非穩(wěn)態(tài)時(shí)間序列的過(guò)程中,轉(zhuǎn)換點(diǎn)檢測(cè)是一項(xiàng)必不可少的工作。已有的轉(zhuǎn)換點(diǎn)檢測(cè)工作未重視對(duì)可觀測(cè)時(shí)間序列中轉(zhuǎn)換點(diǎn)知識(shí)的挖掘,鑒于此,本文提出了一種發(fā)掘潛在轉(zhuǎn)換點(diǎn)知識(shí)的算法APK-RJ-MCMC。APK-RJ-MCMC算法計(jì)算了每個(gè)時(shí)間點(diǎn)前后窗口中時(shí)間序列均值之間的歐氏距離,將其視為轉(zhuǎn)換點(diǎn)的先驗(yàn)知識(shí)來(lái)估計(jì)該時(shí)間點(diǎn)作為轉(zhuǎn)換點(diǎn)的概率,并加入到轉(zhuǎn)換點(diǎn)采樣過(guò)程的跳轉(zhuǎn)動(dòng)作中。通過(guò)調(diào)節(jié)轉(zhuǎn)換點(diǎn)采樣過(guò)程中新生、消去、切換動(dòng)作的提議概率之比來(lái)調(diào)節(jié)動(dòng)作的接受概率,從而使得擁有更大先驗(yàn)值的時(shí)間點(diǎn)擁有更大的被采樣到的概率。本文在人工數(shù)據(jù)集和基因數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),使用樣本中真實(shí)轉(zhuǎn)換點(diǎn)的出現(xiàn)頻率來(lái)描述轉(zhuǎn)換點(diǎn)的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明,針對(duì)轉(zhuǎn)換點(diǎn)的檢測(cè)任務(wù),本文所提出的APK-RJ-MCMC算法對(duì)比RJ-MCMC算法更加高效精準(zhǔn)。在人工數(shù)據(jù)集上,APK-RJ-MCMC算法采樣得到的真實(shí)轉(zhuǎn)換點(diǎn)的出現(xiàn)頻率較之APK-RJ-MCMC算法提高了16%,關(guān)于轉(zhuǎn)換點(diǎn)分類的AUC分?jǐn)?shù)提高了7%,在基因數(shù)據(jù)集上,上述兩項(xiàng)指標(biāo)則分別提高了21%,24%。除了探究非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換點(diǎn)檢測(cè)技術(shù),本文還將非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)應(yīng)用于廢氣處理系統(tǒng)異常工況預(yù)測(cè)中。本文提出的異常工況預(yù)測(cè)方法可以分為四個(gè)階段:原始數(shù)據(jù)的預(yù)處理階段、回歸模型的學(xué)習(xí)階段、下一時(shí)刻廢氣排放濃度的預(yù)測(cè)階段以及異常工況預(yù)警階段。在預(yù)處理階段,本文對(duì)數(shù)據(jù)進(jìn)行刪除無(wú)關(guān)操作變量、欠采樣兩項(xiàng)預(yù)處理操作,并檢測(cè)了廢氣輸出濃度時(shí)間序列的平穩(wěn)性質(zhì);在學(xué)習(xí)階段,本文基于非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò),構(gòu)建了系統(tǒng)廢氣輸出濃度與多影響因素之間隨時(shí)間變化的回歸模型,并將采樣到的非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的樣本進(jìn)行聚類,得到多組具有代表性的回歸模型來(lái)表示不同工況機(jī)制下的模型;在預(yù)測(cè)階段,本文利用樸素貝葉斯分類器將近期工況分類到所屬后驗(yàn)概率最大的回歸模型中,并利用該回歸模型預(yù)測(cè)下一時(shí)刻系統(tǒng)的輸出濃度;在預(yù)警階段,本文設(shè)定了異常工況的劃分規(guī)則,來(lái)判定上一階段的預(yù)測(cè)是否為異常工況。實(shí)驗(yàn)結(jié)果表明,在廢氣輸出濃度預(yù)測(cè)中,本文提出的方法較ARIMA模型與GLM模型,在平均絕對(duì)誤差上分別降低了7.25,106.78,對(duì)異常工況的預(yù)測(cè)準(zhǔn)確率分別提高了 10%,22%。
[Abstract]:In this paper , a new algorithm APK - RJ - MCMC ( APK - RJ - MCMC ) algorithm is used to estimate the probability of transition point . In this paper , an APK - RJ - MCMC algorithm is used to estimate the probability of transition point . 22 % .

【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 俞露;高陽(yáng);史穎歡;;基于滑動(dòng)窗口均值先驗(yàn)的非同構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換點(diǎn)檢測(cè)算法[J];模式識(shí)別與人工智能;2016年08期

2 劉建偉;崔立鵬;黎海恩;羅雄麟;;概率圖模型推理方法的研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2015年04期

，

本文編號(hào)：1390562