貝葉斯網(wǎng)絡(luò)分類模型研究及其在小樣本故障診斷中的應(yīng)用.pdf

1、目前一些常用的故障診斷方法都是以大樣本數(shù)據(jù)集為基礎(chǔ)的，但實(shí)際工程中受環(huán)境的限制只能得到小樣本數(shù)據(jù)，有必要建立一種基于小樣本故障診斷的分類模型。同時(shí)，在表達(dá)不確定性問題和多源信息表達(dá)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(wǎng)絡(luò)作為目前不確定性知識(shí)表達(dá)和推理領(lǐng)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(shí)表達(dá)和推理。因此，研究用貝葉斯網(wǎng)絡(luò)構(gòu)建分類性能良好的分類模型，對(duì)實(shí)際小樣本故障診斷的應(yīng)用是非常有意義的。

2、
　　本論文重點(diǎn)構(gòu)建了兩類貝葉斯分類模型。首先，針對(duì)現(xiàn)有樸素貝葉斯分類模型只能解決離散屬性變量問題，對(duì)于連續(xù)變量的分類問題，往往要先進(jìn)行預(yù)離散化，這容易造成分類信息的丟失，進(jìn)而影響分類精度。本文通過分析混合高斯模型的特點(diǎn)，結(jié)合現(xiàn)有的樸素貝葉斯分類模型，構(gòu)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(zhǔn)確性評(píng)估模塊，仿真試驗(yàn)表明，新構(gòu)建的分類模型能有效提高對(duì)連續(xù)屬性數(shù)據(jù)的分類精度，并且分類性能明顯優(yōu)于現(xiàn)有同類算法

3、。
　　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(guān)系，本論文基于K2算法構(gòu)建了通用貝葉斯網(wǎng)絡(luò)分類器(GBNC_K2)。首先通過仿真試驗(yàn)表明，利用GBNC_K2分類模型可以學(xué)習(xí)到具有良好解釋性的模型結(jié)構(gòu)。進(jìn)一步研究了分類器離散等級(jí)這一參數(shù)對(duì)分類器性能的影響，通過試驗(yàn)方法可以確立分類性能最優(yōu)情況下的離散等級(jí)。分析貝葉斯網(wǎng)絡(luò)參數(shù)條件概率值(CPT)，表明了GBNC_K2分類模型在對(duì)數(shù)據(jù)分類的同時(shí)，可以對(duì)特征