一种具有自学习功能的贝叶斯网络平台制造技术

本发明专利技术公开一种具有自学习功能的贝叶斯网络平台，平台包括数据预处理模块、网络拓扑结构学习模块、网络参数学习模块、概率推理模块和证据敏感性分析模块；所述处理样本数据集包括选定节点变量，确定节点状态；所述结构学习模块包括新建贝叶斯网络窗口，调用样本数据集，执行结构学习模块，创建网络结构；所述参数学习模块包括调用样本数据，执行参数学习功能；所述概率推理模块包括因果推理，诊断推理和支持推理；所述证据敏感性分析模块包括以测试敏感性的证据节点为条件，计算查询节点的指标。该自学习贝叶斯网络平台能够完成不确定性推理，满足不同研究的需求，拓宽了应用普适性，实现贝叶斯网络构建时参数与结构的自适应调整。

A Bayesian network platform with self-learning function

The invention discloses a Bayesian network platform with self-learning function of the platform, including data preprocessing module, learning module, network topology network parameter learning module, probabilistic reasoning module and evidence sensitivity analysis module; the processing sample data set includes selected node variables to determine the node state; the structure includes a new Bayesian learning module the network window, call the sample data set, structure learning module, create a network structure; the parameter learning module includes call sample data, perform parameter learning function; the probability reasoning module including causal reasoning, reasoning and reasoning support; the evidence sensitivity analysis module includes the condition to test the sensitivity of evidence nodes. The calculation of query node index. The self learning Bayesian network platform can complete the uncertainty reasoning, meet the needs of different research, broaden the universality of application, and realize the adaptive adjustment of parameters and structure when constructing Bayesian networks.

【技术实现步骤摘要】
一种具有自学习功能的贝叶斯网络平台
本专利技术涉及一种具有自学习功能的贝叶斯网络平台，包括处理样本数据集，运用Netica基础函数开发结构学习模块和参数学习模块，构建自学习样本数据集的贝叶斯网络。同时，开发概率推理模块和证据敏感性分析模块评估所建网络的有效性。属于工程应用领域。
技术介绍
贝叶斯网络是表示变量间概率相关性关系的图模型，是不确定知识表达和推理领域最有效的理论模型之一，已被广泛地用于诊断、预测、风险管理、模拟生态系统、传感器融合等领域，效果良好。目前有很多软件平台可以构建贝叶斯网络，常用的是基于MATLAB语言开发的贝叶斯网络工具箱BNToolbox。该工具箱提供了许多贝叶斯网络学习的底层基础函数库，但是没有将贝叶斯网络学习的基本函数集成为系统。同时，BNToolbox没有图形用户界面(GUI)，使用不方便，不利于推广。Netica是用Java开发的贝叶斯网络学习软件。但是基于Netica采用专家知识方法构建的贝叶斯网络，要求使用者具有较强的专业背景，采用Netica软件拟合样本数据，得到贝叶斯网络模型各个节点间的条件概率分布，是针对特定目标设定的，不能满足不同研究的需求。本专利技术采用相关领域的样本数据，基于Netica软件开发贝叶斯网络的结构学习和参数学习模块，给出通用的自学习贝叶斯网络构建方法，并通过概率推理和证据敏感性分析进行验证，拓宽了贝叶斯网络的应用普适性。
技术实现思路
针对上述问题，本专利技术的目的是提供具有自学习功能的贝叶斯网络平台。包括处理样本数据集，运用Netica基础函数开发结构学习模块和参数学习模块，构建自学习样本数据集的贝叶斯网络。同时，开发概率推理模块和证据敏感性分析模块以评估所建网络的有效性。克服了贝叶斯网络构建时参数与结构的难以自适应调整的问题，实现了不确定性推理，满足不同研究的需求，拓宽了应用普适性。为实现上述目的，本专利技术采取以下工程应用平台：(1)自学习贝叶斯网络是在Netica提供的函数基础上构建，包括：数据处理、定义节点变量、网络结构学习、网络参数学习，其中学习过程为交叉进行。其中样本数据预处理包括状态变量的定义、连续变量的离散化、格式化处理等。贝叶斯网络结构学习方法分为基于打分--搜索的学习方法和基于依赖分析的学习方法，以及以上两种方法的结合。参数学习方法是在已知网络结构的条件下，用样本数据集来学习节点的CPT。(2)概率推理是在贝叶斯网络模型给定的情况下，根据已知证据节点变量的概率分布，利用条件概率的计算方法，计算出所感兴趣的查询结点变量发生的概率。(3)证据敏感性分析是分析贝叶斯网络中查询节点概率对证据节点概率变化的敏感程度。本专利技术由于采取以上工程应用平台，其具有以下优点：1、操作方便灵活：具有友好的GUI视窗界面，支持数据库链接，可以直接链接到Windows、Unix等大多数的数据库软件；2、应用普适性：系统开放，可以嵌入新算法来进行各种不确定性推理；3、高效：使用严格的数学方式来模型化研究对象，具有很高的计算效率和很强的适应性。附图说明图1是电网短路故障诊断的贝叶斯网络学习结构。图2是电网短路故障诊断的贝叶斯网络参数学习结构。图3是证据变量为“Linebreakage”的短路故障预测。图4是证据变量为“Linebreakage”和“Insulatorbreakdown”的短路故障预测。图5是证据变量为“短路故障”时的后验概率。图6是证据变量为“短路故障”和“单相接地短路”时的后验概率具体实施方式为了更好地介绍本专利技术的工程应用平台及所要实现的功能，下面结合具体图表，进一步阐述本专利技术。一种具有自学习功能的贝叶斯网络平台，工程应用平台包括数据预处理模块(1)、网络拓扑结构学习模块(2)、网络参数学习模块(3)、概率推理模块(4)和证据敏感性分析模块(5)；所述数据预处理模块(1)包括选定节点变量，确定节点状态；所述结构学习模块(2)包括新建贝叶斯网络窗口，调用样本数据集，执行结构学习模块，创建网络结构；所述参数学习模块(3)包括调用样本数据，执行参数学习功能；所述概率推理模块(4)包括因果推理，诊断推理和支持推理；所述证据敏感性分析模块(5)包括以测试敏感性的证据节点为条件，计算查询节点的指标；其中数据预处理模块、网络拓扑结构学习模块和网络参数学习模块构建自学习样本数据集的贝叶斯网络，概率推理模块和证据敏感性分析模块评估所建网络的有效性。实施例一：电网三相交流线路发生的各种短路中，单相接地短路所占的比例最高，约为65％；两相接地短路约占20％；两相短路约占10％，三相短路最小，约占5％。单相接地短路故障中，导线断线、绝缘子击穿和树木短接三种原因占总故障原因的80％，分别约为30％、30％、20％，其它原因只占20％。图1为网络结构。调用表1的样本数据集，执行网络结构学习模块功能，创建网络结构，然后进一步定义节点属性，包括：名称，标题，类型，离散和连续属性，状态数，状态值和相关说明等。表1样本数据集图2为定义了CPT的贝叶斯网络。调用表1样本数据，执行参数学习功能，学习后且赋予CPT的贝叶斯网络，其信度栅变化。实施例二：图3为预测分析，在贝叶斯网络中将“Linebreakage”变量状态设置成Present＝100％状态，表示证据变量的已知状态，自动更新功能自动更新整个网络的概率。此时单相接地短路(1-phaseground)出现(Present)的概率由50.7％变成64.2％，发生短路故障(Shortcircuit)出现(Present)的概率由52.9％变成61.7％，可见导线断线后，发生短路故障概率提高了。图4为导线断线和绝缘子击穿(Insulatorbreakdown)同时发生，将证据节点“Insulatorbreakdown”变量状态设置成Present＝100％状态，利用自动更新功能更新整个网络的概率。此时单相接地短路(1-phaseground)出现(Present)的概率由64.2％变成82.3％，发生短路故障(Shortcircuit)出现(Present)的概率由61.7％变成73.5％，发生短路故障的概率更高了。图5为以短路故障为例的原因诊断，证据变量“Shortcircuit”的状态概率为Present＝100％。输入证据之后，通过概率自动更新，则“1-phaseground”Present的概率由50.7％提高至81.7％，“2-phaseground”Present的概率由52.4％提高至62.7％，“2-Pshortcircuit”Present的概率由51.2％提高至59.2％，“3-Pshortcircuit”Present的概率由55％提高至58％。图6为支持解释，在图5中，如果有证据表明，单相接地短路“1-phaseground”发生，则在图6中两相接地短路“2-phaseground”Present的概率由62.7％下降至58.8％，两相短路“2-Pshortcircuit”、三相短路“3-Pshortcircuit”的概率也降低了。导致结果的原因已经被证据“1-phase-ground”所解释，其他原因的可能性自然会降低。实施例三：表2所示，根据图2所示的贝叶斯网络为平台，以“短路故障”为查询节点的敏感性本文档来自技高网...

【技术保护点】
一种具有自学习功能的贝叶斯网络平台，平台包括数据预处理模块(1)、网络拓扑结构学习模块(2)、网络参数学习模块(3)、概率推理模块(4)和证据敏感性分析模块(5)；所述数据预处理模块(1)包括选定节点变量，确定节点状态；所述结构学习模块(2)包括新建贝叶斯网络窗口，调用样本数据集，执行结构学习模块，创建网络结构，定义节点属性；所述参数学习模块(3)包括调用样本数据，执行参数学习功能；所述概率推理模块(4)包括因果推理，诊断推理和支持推理；所述证据敏感性分析模块(5)包括以测试敏感性的证据节点为条件，计算查询节点的指标；其中数据预处理模块、网络拓扑结构学习模块和网络参数学习模块构建出自动学习样本数据集的贝叶斯网络，概率推理模块和证据敏感性分析模块评估所建网络的有效性。

【技术特征摘要】
1.一种具有自学习功能的贝叶斯网络平台，平台包括数据预处理模块(1)、网络拓扑结构学习模块(2)、网络参数学习模块(3)、概率推理模块(4)和证据敏感性分析模块(5)；所述数据预处理模块(1)包括选定节点变量，确定节点状态；所述结构学习模块(2)包括新建贝叶斯网络窗口，调用样本数据集，执行结构学习模块，创建网络结构，定义节点属性；所述参数学习模块(3)包括调用样本数据，执行参数学习功能；所述概率推理模块(4)包括因果推理，诊断推理和支持推理；所述证据敏感性分析模块(5)包括以测试敏感性的证据节点为条件，计算查询节点的指标；其中数据预处理模块、网络拓扑结构学习模块和网络参数学习模块构建出自动学习样本数据集的贝叶斯网络，概率推理模块和证据敏感性分析模块评估所建网络的有效性。2.根据权利要求1所述的自学习贝叶斯网络平台，其特征在于：所述数据预处理模块(1)包括确定代表研究对象属性特征的网络节点变量及其状态，并将节点变量分为三个层次：一是输入层节点变量，通常为初始因素节点，这是分析问题的起点；二是中间层节点变量，通常为过渡结果或影响逐步降低的节点，能很清晰地描述网络输入与输出之间的映射关系；三是输出层节点变量，通常为可观察变量或假设变量，这是分析问题的最终目标。贝叶斯网络每个节点代表被模拟研究对象的特征，这是一个变化的事物属性。3.根据权利要求1所述的自学习贝叶斯网络平台，其特征在于：所述网络拓扑结构学习模块(2)是构建贝叶斯网络的基础。新建一个空的贝叶斯网络窗口，调用表1的样本数据集，执行网络结构学习模块功能，创建网络结构，之后进一步定义节点属性，包括：名称，标题，类型，离散和连续属性，状态...

【专利技术属性】
技术研发人员：陈静，陈华森，曾丽丽，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽,34