本文選題：互信息　切入點(diǎn)：蟻群優(yōu)化　出處：《儀器儀表學(xué)報(bào)》2017年01期

【摘要】：K2算法是學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的經(jīng)典算法。針對(duì)K2算法依賴最大父節(jié)點(diǎn)數(shù)和節(jié)點(diǎn)序的不足,以及蟻群算法搜索空間龐大的問題,提出了一種新的貝葉斯結(jié)構(gòu)學(xué)習(xí)算法-MWST-ACO-K2算法。該算法通過計(jì)算互信息建立最大支撐樹(MWST),得到最大父節(jié)點(diǎn)數(shù);然后利用蟻群算法(ACO)搜索最大支撐樹,獲得節(jié)點(diǎn)順序;最后結(jié)合K2算法得到最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。仿真實(shí)驗(yàn)結(jié)果表明,該方法不僅解決了K2算法依賴先驗(yàn)知識(shí)的問題,而且減少了蟻群算法的搜索空間,簡(jiǎn)化了搜索機(jī)制,得到較好的貝葉斯結(jié)構(gòu)。最后將該算法應(yīng)用到冀東水泥回轉(zhuǎn)窯的實(shí)際數(shù)據(jù)中,構(gòu)建水泥回轉(zhuǎn)窯的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),提高了故障診斷的準(zhǔn)確率。
[Abstract]:K 2 algorithm is a classical algorithm for learning Bayesian network structure.A new Bayesian structure learning algorithm, -MWST-ACO-K2 algorithm, is proposed to solve the problem that K2 algorithm depends on the maximum number of parent nodes and the order of nodes, as well as the huge search space of ant colony algorithm.In this algorithm, the maximum support tree is established by computing mutual information and the maximum number of parent nodes is obtained. Then the maximum support tree is searched by ant colony algorithm (ACO) and the node order is obtained. Finally, the optimal Bayesian network structure is obtained by using K2 algorithm.Simulation results show that this method not only solves the problem that K2 algorithm depends on prior knowledge, but also reduces the search space of ant colony algorithm, simplifies the search mechanism and obtains a better Bayesian structure.Finally, the algorithm is applied to the actual data of cement rotary kiln in Jidong, and the Bayesian network structure of cement rotary kiln is constructed to improve the accuracy of fault diagnosis.
【作者單位】： 燕山大學(xué)信息科學(xué)與工程學(xué)院;燕山大學(xué)電氣工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51641609) 河北省自然科學(xué)基金(F2016203354)項(xiàng)目資助
【分類號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 劉浩然;呂曉賀;李軒;李世昭;史永紅;;基于Bayesian改進(jìn)算法的回轉(zhuǎn)窯故障診斷模型研究[J];儀器儀表學(xué)報(bào);2015年07期

2 王瀟一;毛德強(qiáng);王曉峰;;某型導(dǎo)彈自駕儀的故障診斷研究[J];電子測(cè)量與儀器學(xué)報(bào);2015年01期

3 冀俊忠;張鴻勛;胡仁兵;劉椿年;;一種基于獨(dú)立性測(cè)試和蟻群優(yōu)化的貝葉斯網(wǎng)學(xué)習(xí)算法(英文)[J];自動(dòng)化學(xué)報(bào);2009年03期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳靜;蔣正凱;付敬奇;;基于Netica的自學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的構(gòu)建[J];電子測(cè)量與儀器學(xué)報(bào);2016年11期

2 闕子俊;金曉航;孫毅;;基于UKF的軸承剩余壽命預(yù)測(cè)方法研究[J];儀器儀表學(xué)報(bào);2016年09期

3 劉浩然;趙翠香;李軒;王艷霞;郭長(zhǎng)江;;一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究[J];儀器儀表學(xué)報(bào);2016年07期

4 馬雪婧;邵春福;錢劍培;王天倚;;交通事件持續(xù)時(shí)間預(yù)測(cè)的貝葉斯網(wǎng)絡(luò)模型[J];交通信息與安全;2015年06期

5 黃為勇;王義;田秀玲;張艷華;;一種基于SVR的發(fā)動(dòng)機(jī)多模式故障診斷方法[J];儀器儀表學(xué)報(bào);2015年09期

6 蘭志霞;趙聯(lián)文;劉峧;;基于改進(jìn)評(píng)價(jià)準(zhǔn)則的貝葉斯網(wǎng)絡(luò)模型選擇[J];綿陽師范學(xué)院學(xué)報(bào);2015年08期

7 劉浩然;呂曉賀;李軒;李世昭;史永紅;;基于Bayesian改進(jìn)算法的回轉(zhuǎn)窯故障診斷模型研究[J];儀器儀表學(xué)報(bào);2015年07期

8 徐姣姣;;基于CLIPS的發(fā)射車診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];國(guó)外電子測(cè)量技術(shù);2015年06期

9 楊東東;馬紅光;徐東輝;秦建強(qiáng);;模擬電路參數(shù)變化檢測(cè)最優(yōu)混沌激勵(lì)設(shè)計(jì)[J];儀器儀表學(xué)報(bào);2015年04期

10 魏中強(qiáng);徐宏U，

本文編號(hào)：1725722