【技术实现步骤摘要】
本申请涉及装备性能考核，特别是涉及一种基于马尔可夫毯的装备考核方法、装置和计算机设备。
技术介绍
1、装备试验数据采集是支撑装备性能考核工作的基础性工作，在装备性能考核工作中往往会产生海量的装备试验评估数据，然而大量数据采集过程不仅成本高昂，而且试验数据往往存在高维、冗余、利用率不高等不易于装备性能考核的问题，数据利用率一般很低。也就是说，在利用试验数据对装备进行评估时，大量的冗余特征会降低考核效果和考核效率。此外，对于不同的待考核性能指标，其关键特征也不相同，为了有针对性地考核各项性能指标，如何筛选出对应的关键特征集，能够大大降低后续采集的样本数据的特征维数，降低数据采集的成本，提高数据采集的效率和利用率，进而提高装备性能考核的准确性和稳定性，具有重要意义。
2、通过因果特征选择可以从众多维度的特征中选出与待考核性能指标密切相关的关键特征。因果特征选择的目的是发现类属性(以下简称目标变量或目标节点，在装备性能考核工作中，类属性是指待考核性能指标对应的属性)的马尔可夫毯(mb)，从而构建稳定、可解释的模型。mb的概念起源于贝叶斯网络。图1展示了在一个忠诚的贝叶斯网络中目标节点的mb的示例。
3、在这样的理论保证下，基于mb的特征选择方法的研究得到了长足的发展。目前，基于约束的mb发现算法得到了显著的关注。这些算法利用贝叶斯网络中的条件独立关系来检测目标变量的mb。学者们从不同的角度提出了许多算法，从提高准确性、算法效率、两者之间的权衡等方面考虑。值得注意的算法包括增量关联马尔可夫毛毯(iamb)及其变体，
4、然而，目前的特征选择方法在处理混合数据时存在局限性，混合数据同时包含离散特征和连续特征。这些方法主要关注单一的数据类型，或者专门处理连续的或离散的数据。junghye et al.首先注意到这个问题，并提出了一种专门为混合类型数据设计的mixed-mb算法。该算法通过在inter-iamb中嵌入一个新引入的广义条件独立(ci)检验来构造mix-mb算法。但算法的本质仍然在于根据变量类型设置不同的ci测试函数。预测排列特征选择(predictive permutation feature selection,ppfs)算法的灵感来自于knockoff框架，因此提出了预测排列独立性(predictive permutation independence,ppi)检验作为它的基本配置。然而，这些方法存在数据效率低的缺点，难以获得稳定的mb变量。当应用于具有不同样本大小的相同数据集时，在发现的mb中观察到的显著差异是很明显的。此外，在mb学习算法中使用简单的增长和收缩框架阻碍了结果完整性和准确性的保证。
5、综上，现有的能够用于从高维度的数据特征中为待考核的性能指标筛选出关键特征的方法存在效率低下且稳定性较低的问题，无法确保后续考核数据采集和装备性能考核的准确性。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于马尔可夫毯的装备考核方法、装置和计算机设备，以便提高装备性能考核的准确性和稳定性，同时提高后续装备考核数据采集的效率。
2、一种基于马尔可夫毯的装备考核方法，所述方法包括：
3、获取装备的考核数据集；考核数据集中的每个样本数据均包括多个维度的特征；
4、将考核数据集划分成多个局部考核数据集，根据考核数据集与各个局部考核数据集的相对差集得到对应的多个数据子集；
5、将待考核的性能指标作为目标变量，将数据子集中的特征的集合作为候选特征集；对于每一数据子集，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯；
6、对于局部马尔可夫毯内的每一个特征，计算其在多个局部马尔可夫毯内出现的频率，当频率满足预设条件时，将对应的特征放入目标马尔可夫毯中；
7、将最终得到的目标马尔可夫毯中的特征作为待考核的性能指标的关键特征，然后输入训练好的分类器中，以此得到性能考核结果。
8、一种基于马尔可夫毯的装备考核装置，所述装置包括：
9、装备考核数据获取模块，用于获取装备的考核数据集；考核数据集中的每个样本数据均包括多个维度的特征；
10、考核数据集划分模块，用于将考核数据集划分成多个局部考核数据集，根据考核数据集与各个局部考核数据集的相对差集得到对应的多个数据子集；
11、候选特征集划分模块，用于将待考核的性能指标作为目标变量，将数据子集中的特征的集合作为候选特征集；；
12、局部马尔可夫毯学习模块，用于对于每一数据子集，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯；
13、特征筛选模块，用于对于局部马尔可夫毯内的每一个特征，计算其在多个局部马尔可夫毯内出现的频率，当频率满足预设条件时，将对应的特征放入目标马尔可夫毯中；
14、性能指标考核模块，用于将最终得到的目标马尔可夫毯中的特征作为待考核的性能指标的关键特征，然后输入训练好的分类器中，以此得到性能考核结果。
15、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
16、获取装备的考核数据集；考核数据集中的每个样本数据均包括多个维度的特征；
17、将考核数据集划分成多个局部考核数据集，根据考核数据集与各个局部考核数据集的相对差集得到对应的多个数据子集；
18、将待考核的性能指标作为目标变量，将数据子集中的特征的集合作为候选特征集；
19、对于每一数据子集，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯；
20、对于局部马尔可夫毯内的每一个特征，计算其在多个局部马尔可夫毯内出现的频率，当频率满足预设条件时，将对应的特征放入目标马尔可夫毯中；
21、将最终得到的目标马尔可夫毯中的特征作为待考核的性能指标的关键特征，然后输入训练好的分类器中，以此得到性能考核结果。
22、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
23、获取装备的考核数据集；考核数据集中的每个样本数据均包括多个维度的特征；
24、将考核数据集划分成多个局部考核数据集，根据考核数据集与各个局部考核数据集的相对差集得到对应的多个数据子集；
25、将待考核的性能指标作为目标变量，将数据子集中的特征的集合作为候选特征集；
26、对于每一数据子集，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯；
27、对于局部马尔可夫毯内的每一个特征，计算其在多个局本文档来自技高网...
【技术保护点】
1.一种基于马尔可夫毯的装备考核方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对于局部马尔可夫毯内的每一个特征，计算其在多个局部马尔可夫毯内出现的频率，当所述频率满足预设条件时，将对应的特征放入目标马尔可夫毯中为：
3.根据权利要求1所述的方法，其特征在于，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯，包括：
4.根据权利要求3所述的方法，其特征在于，识别与所述目标变量相关联的中间父子特征集，包括：
5.根据权利要求4所述的方法，其特征在于，结合条件独立测试根据所述初始父子特征集进行特征收缩，得到中间父子特征集，包括：
6.根据权利要求3所述的方法，其特征在于，根据所述目标父子特征集识别所述目标变量的目标配偶特征集，包括：
7.根据权利要求3所述的方法，其特征在于，当所述考核数据集中的每个样本数据同时包括连续特征和离散特征时，将所述条件独立性测试替换为预测性排列独立性测试。
8.一种基于马尔可夫毯的装备考核装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于马尔可夫毯的装备考核方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对于局部马尔可夫毯内的每一个特征，计算其在多个局部马尔可夫毯内出现的频率，当所述频率满足预设条件时，将对应的特征放入目标马尔可夫毯中为：
3.根据权利要求1所述的方法，其特征在于，通过马尔可夫毯学习算法分别得到目标变量关于对应的候选特征集的局部马尔可夫毯，包括：
4.根据权利要求3所述的方法，其特征在于，识别与所述目标变量相关联的中间父子特征集，包括：
5.根据权利要求4所述的方法，其特征在于，结合条件独立测试根据所述初始父子特征集进行特征收缩，得到中间父子特征集，包括：
6.根据权...
【专利技术属性】
技术研发人员：孙建彬，崔瑞靖，剧伦豪，杨克巍，蒋平，葛冰峰，于海跃，吴罗福，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
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。