The invention discloses a sparse Bayesian network incremental learning method based on continuous industrial data. The incremental learning method of sparse Bayesian network based on continuous industrial data includes: step 1, data preprocessing: regularization of training samples to ensure that the mean value and variance are 0 and 1; step 2, structure learning: incremental learning of structure by batch samples based on sliding windows; step 3, parameter learning: learning by structure learning Relational coefficient matrix and regularized samples are used to obtain the mean and variance of each feature in the current state, i.e. continuous Bayesian network parameters. Step 4, network updating: For new samples, the regularized parameters of the whole sample are used to preprocess, and the sliding window is used to form batch samples of the same size for structure and parameter updating.
【技术实现步骤摘要】
基于连续型工业数据的稀疏贝叶斯网络增量式学习方法
本专利技术属于计算机应用
,具体的涉及一种基于连续型工业数据的稀疏贝叶斯网络增量式学习方法。
技术介绍
随着我国工业技术的发展,越来越多现代化的工业设备投入到实际生产当中,为国家和社会创造了巨大的经济价值。但是随着工业设备的更新换代,虽然解放了大量人工劳动,但是也为整套工业流程的监控带来了不小的困难。虽然当前实现了很多大型工业设备的自动化,但是设备的正常运转仍然需要人们不断进行调控。由于设备的复杂性,当设备出现部件异常情况,需要对运行流程熟记于心、经验丰富的工人才能进行故障追溯。因此通过复杂的工业设备数据,从数据中学习到设备内部各个部件之间的依赖关系,并对异常数据源进行精准定位,是一个非常值得研究的方向。贝叶斯网络是一个完整的关于变量和变量间关系的模型,通过建立变量之间的概率模型,提供变量之间的依赖关系并从数据中挖掘隐含的因果关系,因此可以用来解答各种有关变量的概率问题。并且,贝叶斯网络拥有极强的有逻辑、易理解地处理不确定性问题的能力,还可以基于不确定的信息进行推理,因此它在数据挖掘领域有着广泛的应用。一个贝叶斯网络主要包含两个部分:网络结构和网络参数,其中网络结构是一个有向无环图,表示变量之间的依赖关系,而网络参数表示变量相对于其父节点的概率分布。对于离散型变量的贝叶斯网络学习已经有了比较成熟的方法,常用的方法有基于约束的方法和基于评分函数的方法,在此基础上对图空间进行贪婪或者启发式的搜索,在获得的最优结构上进行参数学习,为每一个变量维护一个条件概率表。但是,这些方法对于特征较多的数据需要大量的时间 ...
【技术保护点】
1.一种基于连续型工业数据的稀疏贝叶斯网络增量式学习方法,其特征在于,包括:步骤1,数据预处理:将训练样本进行正则化等预处理,保证均值为0、方差为1;步骤2,结构学习:基于滑动窗口,采用批样本的形式进行结构的增量式学习;步骤3,参数学习:利用结构学习得到的关系系数矩阵以及正则化样本获得当前状态下每一个特征的混合高斯分布的均值和方差,即连续型贝叶斯网络参数;步骤4,网络更新:对新到来的样本,利用总体样本的正则化参数进行预处理,利用滑动窗口形成同样规模的批样本进行结构以及参数的更新。
【技术特征摘要】
1.一种基于连续型工业数据的稀疏贝叶斯网络增量式学习方法,其特征在于,包括:步骤1,数据预处理:将训练样本进行正则化等预处理,保证均值为0、方差为1;步骤2,结构学习:基于滑动窗口,采用批样本的形式进行结构的增量式学习;步骤3,参数学习:利用结构学习得到的关系系数矩阵以及正则化样本获得当前状态下每一个特征的混合高斯分布的均值和方差,即连续型贝叶斯网络参数;步骤4,网络更新:对新到来的样本,利用总体样本的正则化参数进行预处理,利用滑动窗口形成同样规模的批样本进行结构以及参数的更新。2.如权利要求1所述的一种基于连续型工业数据的稀疏贝叶斯网络增量式学习方法,其特征在于:步骤1具体包括如下步骤;步骤1.1:剔除原始数据中的异常数据;步骤1.2:将原始样本进行总体的正则化,并记录总体样本的均值和方差等正则化参数信息。3.如权利要求1所述的一种基于连续型工业数据的稀疏贝叶斯网络增量式学习方法,其特征在于:步骤2具体包括如下步骤:步骤2.1:首先按照滑动窗口的大小,将原始大规模样本分割成若干个相互部分重叠的训练批样本;步骤2.2:初始化与样本量和维度有关的惩罚...
【专利技术属性】
技术研发人员:周春蕾,张友卫,高阳,张天诚,帅云峰,孙栓柱,綦小龙,李逗,李春岩,潘苗,杨晨琛,王其祥,高进,王明,
申请(专利权)人:江苏方天电力技术有限公司,南京大学,国网江苏省电力有限公司,国家电网公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。