一、信度网推理——方法及问题(上)（论文文献综述）
蒋方明,曾玉[1]（2010）在《信度网对于不确定知识的表达及推理》文中提出不确定知识的表达及演化规律的推理是概率理论领域的热点,信度网作为其中最有效的理论模型吸引了大批的研究者。本文就信度网的知识表达和推理方式进行基础性的探索,并对其应用前景进行介绍。
于涛[2]（2008）在《ATIS故障诊断系统设计及其诊断技术研究》文中提出铁路车号识别系统（Automatic Train Identification System,ATIS）是铁路信息化建设的一个基础信息系统工程,该系统实现对局管内的列车、车辆、机车动态追踪管理和车号数据资源共享。一旦ATIS系统出现故障不能及时排除,一方面将严重降低铁路各应用系统的运转效率,进而影响铁路车站、线路等技术设备的运输作业能力,增加各级工作人员工作量和劳动强度;另一方面,对铁路企业的货车使用费等费用清算带来较大影响,将给相关铁路局带来巨大的经济损失。为了实现掌握局管内各分界口进出车辆实时数据,实时监控ATIS系统设备的工作状态,并对确报质量实现实时考核,特别是实现ATIS系统故障实时监测,提高系统的可靠性和可用性,本文提出构建局间分界口车号识别监控管理系统,并详细分析设计了ATIS故障诊断子系统的结构及其各子系统功能模块。本文通过对故障诊断相关理论与方法的介绍,分析了目前故障诊断的主要方法。通过各种方法的优缺点比较,提出了采用基于概率的信度网故障诊断方法。该方法具有坚实的数学基础,其网络图的结构形式易于理解并获取专家经验知识,且在推理计算中存在高效的和成熟的概率推理算法和计算软件。在研究基于时序动态信度网的故障诊断过程中,将原有底层事件重要度的适用范围扩展到一般系统,使其应用更具有广泛适用性。最后建立了ATIS系统故障诊断模型,应用基于MATLAB的BNT工具箱为辅助工具进行了仿真实验并得到了良好的试验结果。
赵波[3]（2007）在《Bayes网理论及其在在线导购中的应用研究》文中研究说明随着电子商务的发展,网上购物被越来越多的人所接受,购物网站所提供的信息也越来越丰富,购物网站之间的竞争也越来越激烈,好的购物网站导购系统在购物网站竞争中起非常重要的作用,因此如何更好地为客户在众多的商品信息中提供更好的导购服务成为各购物网站必须解决的问题。Bayes网（概率网）在在线导购中的应用能比较好的解决这一问题。Pearl于1982年提出的Bayes网,又称贝叶斯网、概率网、信度网,是一种基于概率论和图论的不确定知识表示模型。Bayes网在不确定知识表示及推理中表现出的卓越性能,使其获得了广泛的关注,对Bayes网的研究已成为当今人工智能领域研究的热点之一。目前对Bayes网的研究可以分为三个方面:Bayes网推理、Bayes网学习及Bayes网应用。本论文对这三方面作了一些总结和探讨,并提出了一种基于Bayes网的在线购物网站导购系统模型。基于信度网的在线导购系统中,其导购过程主要是依靠信度网的推理计算。信度网的推理算法可以分为两类:一类称为精确推理,即精确地计算假设变量的后验概率。另一类称为近似推理,即在不影响推理正确性的前提下,通过适当降低推理精度来达到提高计算效率的目的。而本导购系统是利用顾客所有的浏览购物网站的历史信息作为推理的证据来推导顾客感兴趣的商品,从而提供在线导购。如果该顾客是首次浏览网站,没有历史浏览信息,则利用所有顾客的浏览信息作为推理证据进行推理,从而实现导购。可见,要实现导购,就要通过对顾客浏览数据库的学习来建立关于商品的Bayes网模型,该模型中包含了大量顾客在购物网站上的浏览中所体现出的对各个商品的相关性。创建该模型的过程包括建立Bayes网的结构,以及学习对应结构的条件概率表两个过程。我们可以利用购物网站的信息结构图来构造信度网的结构。用于Bayes网学习的顾客浏览数据库是一个完整的实例数据库,所以计算结构中各个结点的条件概率表比较简单,通过对浏览数据库的统计就可以完成。目前Bayes网已应用到模式识别、知识发现及最优决策等多个领域。本文提出的基于Bayes网的购物网站在线智能导购系统,利用Bayes网模型对顾客的浏览数据进行分析,可以在线为顾客提供导购,使其快速找到感兴趣的商品。另外通过最大可能配置计算获得的结果,表示了顾客对购物网站的各个商品的兴趣,利用这些信息来重新调整购物网站的结构设计,就可以设计出符合顾客爱好的商品结构,而且通过对这些热点商品的发现,可以找到最佳的广告插入点,从而提高广告的访问量。因而该系统还可用于购物网站结构优化、广告最佳插入位置的选定等。
张聪,沈一栋,程克非[4]（2005）在《一种用于信度网推理的高效三角化算法》文中提出信度网是不确定性知识表达和推理的有力工具。信度网的精确推理是NPC问题,计算的主要困难在于将信度网三角化并构造一棵最小权的join tree上。此项研究提出了一种新的三角化算法MsLB-Triang,该算法同时利用了无向图三角化的Direc性质与LB-单纯性质,在生成的三角化图的总权以及增加边的数目上均明显优于目前广泛采用的Min.Weight Heuristic算法。
王洪春[5]（2005）在《基于因果图的不确定性推理理论及算法研究》文中提出人工智能研究的目的无非是用机器模拟人脑的思维,人类的思维是多样性的,虽然很多思维现象体现为对确定性信息的处理,然而更多的现象却体现了各种各样的不确定性,而且,客观世界中的绝大部分现象都是不确定的。因此,真正的人工智能系统要能很好反映人脑思维的不确定性并能对各种无所不在的不确定性信息进行处理。于是,如何表示和处理知识的不确定性也就成为人工智能研究的重要课题之一,也是人工智能面临的一大难题。动态因果图由张勤教授1994 年提出,它与信度网类似,是概率论与图论结合的一种数学工具,其特点是提供不确定知识的表达和灵活的推理方法:用节点表示事件或变量,有向边表示因果关系,并用连接强度来表示因果关系的强度,支持由原因到结果的正向推理方式和由结果到原因的反向推理方式以及正反向混合推理方式。但因果图与信度网相比又具有一些自己独特的优点,在不确定性知识间的因果关系表达更加方便,尤其在故障诊断领域更有独特优势。因此对因果图的进一步研究不仅具有重要的学术意义,而且具有很好的实用价值和经济价值。论文围绕着因果图的知识表达、学习、推理进行了讨论和研究,主要内容包括: 在扼要介绍了一些比较常见的不确定性知识的表示和推理方法:证据理论、确定性因子、模糊逻辑与模糊推理、粗糙集理论、主观Bayes 方法、信度网的基本知识和面临的困难之后,比较详细地阐述了因果图的基本知识,主要的推理算法以及对一些问题的处理方式方法。针对目前因果图不包括自学习机制、推理的先验知识完全由领域专家提供的问题,提出了采用统计的方法学习因果图参数的方法。包括:在数据完备时用后验分布的数学期望——条件期望估计,数据不完备时,用类似期望最大化（EM）算法,学习离散因果图参数的算法,以及用信息熵学习相关度的方法,而且用实例验证了它们的有效性和可行性;采用含参数的EM 算法（EM（η））,进行在线因果图参数（连接强度）的学习,使学习出的参数能适应环境的变化而适时调整,并阐述了它的优越性和离线因果图参数学习的区别,同时在理论上论证这种方法的正确性;用经典的统计方法:参数估计、非参数估计、半参数化估计方法学习连续因果图参数（基本事件和连接事件的概率密度函数）方法;给出了一个学习因果图结构的途径。从而较好地解决了因果图知识获取的关键问题,对丰富因果图理论和因果图的应用都有着十分重要的意义。针对信度网研究已比较成熟,已有许多现成的算法和实用的推理软件,提出
沈文武[6]（2005）在《因果图推理算法及专家系统应用研究》文中研究表明对不确定性问题的处理是人工智能的核心问题之一。不确定的知识表达可分为两大类:一类是基于概率的方法,包括信度网、因果图、马尔可夫网以及在PROSPECTOR 中使用的方法等。另一类是非概率的方法,包括MYCIN 的信度因子、模糊逻辑以及Dempster-Shafer 的证据理论等。其中,Pearl 的信度网因其理论上的严格性和一致性,以及具有有效的局部计算机制和直观的图形化知识表达方式已成为不确定性知识表达的主流方法。动态因果图理论是在信度网基础上发展起来的一种新的不确定性推理模型,于1994 年由张勤教授完整提出。它在知识表达上提出基本事件、节点事件、连接事件、逻辑门等概念,可以分别独立地给出连接事件所代表的因果强度,能方便地反映领域专家知识;在推理上引入符号逻辑运算方法,可以进行在线动态推理,能解决工业系统故障诊断中经常遇到的多连通和因果环的问题。专家系统是目前人工智能研究中最为成功和最广泛的一类应用。专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。对因果图专家系统的应用研究是因果图理论走向应用的一个关键。本文主要在动态因果图知识表达与推理、因果图解析推理算法、因果图迭代推理算法以及因果图专家系统应用等方面进行了研究,主要研究内容和研究成果如下: 在因果图知识表达与推理方面,主要介绍了因果图理论的知识表达方式以及分别介绍了单值、多值、连续离散混合因果图模型的推理算法,并着重对单值因果图推理算法的规模进行了分析,指出其推理算法复杂度是指数时间复杂度,属于NP 难问题,同时指出多值因果图由于比单值因果图更为复杂,推理算法复杂度更高,因此需要寻求高效的近似推理算法。在因果图解析推理算法方面,首先指出在将原单值因果图解析推理算法直接应用于多值因果图推理时,存在不严格满足概率推理中的归一性和互斥性要求的严重问题,其原因在于多值因果图中存在着知识表达独立性与相关性的矛盾,然后提出了一种引入归一化常数的多值因果图解析推理算法,成功解决了这一难题:（1）假定多值因果图中原因节点对结果节点只贡献概率值,且每个贡献是简单相加的关系。即原因节点对结果节点状态的影响是非直接的,原因节点只影响结果节点各状态的概率分布,结果节点的状态由这个状态概率分布随机决定;（2）引入归一化常数来保证推理过程中的归一性;（3）通过推导出多值因果图的一个性
张聪[7]（2005）在《基于信度网的不确定性推理、学习与分类研究》文中研究表明信度网是人工智能中不确定性知识表达和推理的核心方法。本论文详细研究了信度网精确推理、信度网学习和信度网分类有关内容。信度传播算法（BPA）是一种广泛用于树状信度网的精确推理算法。由于其局部计算特性,每个信度网节点可视为一个处理器进行并行运算。本文提出了一种新的BPA 计算模型,可以均衡的将计算负荷分配到实际的多处理器计算机上,从而得到一种高效的并行推理算法。一般信度网的精确推理是一个NPC 问题。算法的主要困难之处在于如何将一个图三角化分解并构造一个最小权join tree。本文提出一种新的三角化算法:MsLB-Triang。该算法利用三角化图的Dirac 性质和LB-单纯性质,可以计算具有更小的总权和总填充边的三角化分解,效果优于目前普遍采用的最小权启发式搜索算法。通过很多方法,可以从数据学习信度网结构。在利用遗传算法进行信度网结构学习时,有向无环图（DAG）的内部表示对学习效率具有重要的影响。直观的方法在整个DAG 空间中搜索最优解,一个明显的潜在问题是后代中将大量出现不可行解（例如,有环图）。本文给出一种新的编码方案,与邻接矩阵编码具有相同的空间复杂度。采用本方案编码DAG,可以保证交叉和变异操作产生的后代全部合法,从而提高了遗传算法学习信度网的效率。信度网学习可以采用批量学习和增量学习两种模式。增量学习是在现有结构上,利用新到达的数据改进信度网的结构。本文提出一种基于两条增量更新律和一个选择指标的增量学习算法。算法依据新的数据反复调整信度网结构和参数,并根据选择指标确定最优的后代结构。数值实验表明算法具有较好的学习性能。朴素贝叶斯分类器因其计算效率和分类精度高而广泛的用于机器学习中。然而,在现实世界中,很少有问题能够满足朴素贝叶斯假设,从而使得分类效果受到影响。很多分类方法适当放松朴素贝叶斯假设,提高了分类的精度,但是可能导致计算性能有较大的下降。本文基于粗糙集理论探索特征加权技术对朴素贝叶斯分类器的改进。特征加权系数直接从属性的粗糙上近似集导出,可以看作是计算每种类别的后验概率时该属性对于此计算的影响度。实验结果表明新的特征加权分类器算法（FWNB）可以达到TAN、BNTree 等精心设计的分类器的分类精度,同时计算效率和所需资源显着优于这些算法。计算机工程中,对于某些关键软件的运行状态进行自动实时监控是一个重要的应用领域。同时,在软件出现运行故障时,也需要某种方式引起系统管理员的
张聪,沈一栋,刘启元[8]（2004）在《一种信度网推理的并行计算模型》文中进行了进一步梳理基于概率知识表达的信度网已成为人工智能中非确定知识表达和推理的研究热点。推理算法是信度网学习和应用的基础。该文提出了一种基于经典Polytree算法的推理计算模型。该模型表达清楚,计算过程容易控制,并能够简单地映射到并行机结构上。该文首先介绍了模型在单联通网络下的计算步骤,然后将模型引入到多联通网络上。
王宏川[9]（2002）在《因果图推理及其应用研究》文中指出人工智能的研究已经达到实践应用阶段，这些应用几乎覆盖了每一个领域。在实际应用中，产生了大量早期人工智能理论不能解决的复杂性，其中之一就是推理中的知识和信息的不确定性。不确定性是智能问题的本质特征，无论是人类智能还是人工智能，都离不开对不确定性的处理。可以说，智能主要反映在求解不确定性问题的能力上。因此，不确定推理模型是人工智能与专家系统的一个核心研究课题。不确定知识表达的方法可分为两大类：一类是基于概率的方法，包括信度网（Belief Network）、动态因果图（Dynamic Causality Diagrams）、马尔可夫网（Markov Network）以及在专家系统PROSPECTOR中使用的方法等。另一类是非概率的方法，包括MYCIN的可信度因子（Certainty Factor）、模糊逻辑（Fuzzy Logic）以及Dempster-Shafer的证据理论等。非概率的方法虽然在各自的应用领域都取得了一定成果，但在运用过程中人们越来越意识到这类方法的不足。在概率方法中，信度网由于其理论的健壮性和一致性、有效的局部计算机制和直观的图形化知识表达方式而日益受到重视。由信度网发展起来的动态因果图理论，借鉴了信度网图形知识表达的优点，但创新并扩展了表达方式，取消了对系统逻辑结构的限制，引入了逻辑运算，从而在很大程度上克服了信度网的不足，具有更大的优势。论文详细地介绍了人工智能中不确定性知识表达及其推理的有关内容，并简要介绍了信度网知识表达方式；在介绍因果图知识表达模型、总结单值因果图的常规推理算法后，针对单值因果图常规推理算法中存在逻辑运算量大、计算复杂的困难，根据早期不交化的思想，提出了一种单值因果图推理的新方法。对于多值因果图，本文也提出了一种基于因果影响可能性分配的推理算法。人工智能的研究更多地是结合具体应用领域来进行的，对动态因果图理论的研究也不外于此。将因果图理论用于实际的工程应用中，用于工业系统的故障诊断一直是我们研究的目标。论文后半部分讨论了将因果图用于故障诊断的关键问题，并以船舶舵桨装置控制系统为实例，建立了其电气—液压回路的故障诊断因果图，在自行开发的因果图智能故障诊断平台上，进行离线式故障诊断，对比原来系统采用的故障树、专家系统、神经网络方法效果有了很大改善，诊断结果符合实际情况，诊断迅速，效果较好。
樊兴华[10]（2002）在《因果图理论及其用于复杂系统故障诊断研究》文中研究指明人工智能的核心问题之一是如何表达已有知识以及如何应用已有知识进行分析处理或推理，以得到新的知识。其中，犹以不确定性知识表达和推理最为重要，也十分困难。不确定的知识表达可分为两大类：一类是基于概率的方法，包括信度网、因果图、马尔可夫网以及在PROSPECTOR中使用的方法等。另一类是非概率的方法，包括MYCIN的信度因子、模糊逻辑以及Dempster-Shafer的证据理论等。在基于概率论的不确定性推理理论中，信度网模型因其具有理论上的严格性和一致性，具有有效地局部计算机制和直观的图形化知识表达，正日益受到高度重视。在信度网基础上发展起来的因果图模型，通过引入布尔逻辑运算，克服了信度网模型在知识表达和推理方面的一些不足，具有重要的工业应用价值。本文深入研究了因果图理论及其用于复杂系统故障诊断的方法。在介绍因果图知识表达模型、总结单值因果图的常规推理算法后，针对单值因果图常规推理算法中存在逻辑运算量大、计算复杂的困难，根据早期不交化的思想，提出了一种单值因果图推理新方法。该方法通过对因果图进行正规化、标准化变换，将因果图转化为以每个节点事件为根的一棵棵标准化的因果树；定义了割集矩阵及对割集矩阵的四种操作，利用割集矩阵导出了因果图早期不交化推理新算法。该方法能有效地消除标准因果树中重复事件的影响，而利用割集矩阵的数值运算能提高逻辑吸收运算的速度。从总体上降低了因果图推理的NP难问题，提高了推理计算速度。这对因果图模型在故障诊断等实际领域中的应用具有重要意义。因为在实际领域中，如核电站故障诊断，因果图的规模不是很大，但存在逻辑门和环路，导致标准因果树中存在大量的重复事件，严重影响了因果图的推理计算速度。讨论了多值因果图中存在的不严格满足概率论的困难及其原因，以及由此困难而衍生的另一困难——将多值因果图用于实际问题时，其推理结果可能出现错误。针对多值因果图存在不严格满足概率论的困难，提出了一种因果影响分配算法。该算法对多值因果图进行了补充定义，使多值因果图能够兼容单值因果图；建立了核电站二回路系统中，蒸汽发生器系统故障诊断原因的简化因果图；定义了事件变量状态可能性，给出了节点事件变量状态可能性值的精确计算方法和近似计算方法；给出了将多值因果图转化为单值因果图的步骤，推导了连接事件概率的计算公式；给出了收到证据后，感兴趣变量状态的后验概率计算方法；以一个实际的多值因果图例子展示了推理计算的全过程。实例计算表明，补充定义后的因果<WP=5>图能够有效而方便的表达领域专家知识，推理计算过程严谨，推理计算结果符合实际情况。针对多值因果图的推理算法只能处理具有明确概念划分多值因果图，不能处理模糊的情况的局限性，在多值因果图推理算法的基础上提出了一种模糊推理算法。该算法对多值因果图进行了模糊扩展定义，使每个基本事件或节点事件变量对应一个能够连续取值的读数变量，在读数变量和事件变量之间建立模糊对应关系，用读数变量的取值相对于事件变量各状态的隶属度函数来表达模糊知识；给出了用于构造隶属度函数的图形分布，及隶属度函数的构造步骤；在事件变量上定义了一个等价的虚拟模糊状态，使读数变量的每一个取值对应一个模糊状态，把读数的模糊推理转化为对应模糊状态的非模糊推理；给出了收到证据E下，感兴趣变量H的读数变量某取值的后验概率计算方法，并推导了相应的计算公式。该算法能够处理模糊的多值因果图，有效地表达实践中模糊的不确定性知识，并具有一定的处理连续变量不确定性推理的能力。在介绍可能性传播图模型的基础上，通过模糊的方法，采用隶属度函数和原因结果影响关系概率表来表达专家知识，在基于最大熵原则的假设下，导出了连接强度函数的表达式，实现了模糊表达的专家知识向适合于可能性传播图推理的知识表达方式的转变。从而较好的解决了可能性传播图模型在实际推广应用中的领域专家知识获取这一关键问题，这对可能性传播图模型的实际推广应用具有重要的意义。主要讨论了因果图用于故障诊断的关键问题，有着重大的理论意义和应用价值。以清华大学北京核电模拟培训中心的全尺寸950MW核电模拟机为故障诊断对象，建立该模拟机二回路典型故障诊断因果图。讨论了将多值因果图用于故障诊断时，它与常规的因果图在知识表达上的不同。给出了故障模式的动态求取方法、静态求取方法，以及有虚假信号时故障模式的求取方法。比较了两种给定证据下故障模式条件概率的计算方法，并给出了利用证据重构一个简化因果图的方法。给出了因果图智能故障诊断平台的设计原则、整体设计、核心推理机结构和一些界面设计。完成了因果图智能故障诊断平台核心的研制与开发。在自行研制的因果图智能故障诊断平台上，对核电站二回路系统典型故障如泵、阀和管道破裂等进行了离线故障诊断。诊断结果符合实际情况，诊断迅速，效果较好。论文最后对研究工作进行了总结。
二、信度网推理——方法及问题(上)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、信度网推理——方法及问题(上)（论文提纲范文）
（1）信度网对于不确定知识的表达及推理（论文提纲范文）
| 一、信度网的提出和原理 |
| 二、信度网推理 |
| 三、信度网学习 |
| 四、信度网应用 |
（2）ATIS故障诊断系统设计及其诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 课题的研究现状 |
| 1.2.1 ATIS系统应用现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.3 本文的研究工作和主要内容 |
| 1.4 本章小结 |
| 第2章 ATIS监控管理系统分析 |
| 2.1 ATIS系统概述 |
| 2.2 监控管理系统需求分析 |
| 2.3 监控管理系统功能分析 |
| 2.4 监控管理系统架构及其设备组成 |
| 2.4.1 监控管理系统总体构成 |
| 2.4.2 车辆/机车电子标签(TAG) |
| 2.4.3 地面识别设备(AEI) |
| 2.4.4 车站集中控制与车号处理系统(CPS主机) |
| 2.4.5 标签编程设备 |
| 2.5 本章小结 |
| 第3章 故障诊断相关理论与方法 |
| 3.1 故障及故障诊断的基本概述 |
| 3.2 故障诊断技术的方法 |
| 3.2.1 基于事件树/故障树的故障诊断方法 |
| 3.2.2 基于专家系统的故障诊断方法 |
| 3.2.3 基于模糊逻辑的故障诊断方法 |
| 3.2.4 基于BP神经网络的故障诊断方法 |
| 3.3 基于信度网的故障诊断方法 |
| 3.3.1 信度网的表示 |
| 3.3.2 给定结构信度网的参数学习算法 |
| 3.3.3 基于时序动态信度网故障诊断 |
| 3.4 本章小结 |
| 第4章 ATIS故障诊断系统设计 |
| 4.1 ATIS故障诊断系统的需求分析 |
| 4.2 ATIS故障诊断系统总体结构设计 |
| 4.3 故障诊断知识获取子系统 |
| 4.3.1 故障诊断知识的构成 |
| 4.3.2 知识库的设计 |
| 4.3.3 故障知识管理 |
| 4.3.4 ATIS系统的故障现象及其分析 |
| 4.4 故障诊断推理子系统 |
| 4.4.1 机器学习模块 |
| 4.4.2 故障现象解释模块 |
| 4.5 故障诊断辅助子系统 |
| 4.5.1 用户管理模块 |
| 4.5.2 维修记录管理模块 |
| 4.7 本章小结 |
| 第5章 ATIS系统故障诊断建模与仿真 |
| 5.1 基于信度网的ATIS系统故障建模 |
| 5.1.1 故障树向信度网络的转化算法 |
| 5.1.2 ATIS系统故障树的构建 |
| 5.1.3 ATIS系统故障信度网的构建 |
| 5.2 基于MATLAB的BNT工具箱简介 |
| 5.2.1 BNT工具箱中网络表示方法 |
| 5.2.2 BNT工具箱中的学习算法 |
| 5.3 ATIS故障诊断模型仿真实验 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文及科研成果 |
（3）Bayes网理论及其在在线导购中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 前言 |
| 1.1 概述 |
| 1.2 论文的主要工作 |
| 2 购物网站在线导购系统理论基础—BAYES 网介绍 |
| 2.1 BAYES 网理论的起源 |
| 2.2 BAYES 网理论的发展 |
| 2.2.1 Bayes 网推理 |
| 2.2.2 Bayes 网学习 |
| 2.2.3 Bayes 网应用 |
| 2.3 BAYES 网模型 |
| 3 基于BAYES 网的在线导购系统设计 |
| 3.1 引言 |
| 3.2 BAYES 网导购模型的建立 |
| 3.2.1 建立Bayes 网结构 |
| 3.2.2 学习对应结构的条件概率表 |
| 3.3 在线导购过程 |
| 3.4 在线导购系统总结 |
| 4 基于BAYES 网的在线导购系统的实现 |
| 4.1 导购系统中功能模块的分析 |
| 4.1.1 Bayes 功能模块 |
| 4.1.2 导购系统模块 |
| 4.2 在线导购系统的开发环境 |
| 4.3 总结 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于因果图的不确定性推理理论及算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 因果图及研究现状 |
| 1.3 作者的主要工作 |
| 1.4 论文的主要内容及安排 |
| 2 常见的不确定性知识的表示和推理 |
| 2.1 Dempster-Shafer 证据理论 |
| 2.1.1 Dempster-Shafer 证据理论概述 |
| 2.1.2 证据理论面临的困难 |
| 2.2 确定性因子 |
| 2.2.1 确定性因子的定义 |
| 2.2.2 确定性因子的计算 |
| 2.2.3 确定性因子面临的困难 |
| 2.3 模糊逻辑与模糊推理 |
| 2.3.1 模糊集合的定义与表示 |
| 2.3.2 模糊集合的运算 |
| 2.3.3 模糊关系 |
| 2.3.4 模糊推理 |
| 2.3.5 模糊理论面临的困难 |
| 2.4 粗糙集理论 |
| 2.4.1 粗糙集的提出 |
| 2.4.2 粗糙集的基本定义和知识表示 |
| 2.4.3 基本粗糙集理论的主要存在的问题 |
| 2.5 主观Bayes 方法 |
| 2.5.1 主观Bayes 方法概述 |
| 2.5.2 主观Bayes 方法面临的困难 |
| 2.6 信度网 |
| 2.7 动态因果图理论 |
| 2.7.1 因果图及其特点 |
| 2.7.2 因果图的知识表达 |
| 2.7.3 因果图的推理 |
| 2.8 本章小结 |
| 3 因果图的学习 |
| 3.1 引言 |
| 3.2 信度网学习概述 |
| 3.2.1 信度网参数学习算法 |
| 3.2.2 信度网结构学习算法 |
| 3.3 因果图中连接强度学习算法研究 |
| 3.3.1 问题的提出 |
| 3.3.2 因果图模型 |
| 3.3.3 连接强度参数的学习 |
| 3.3.4 实验验证 |
| 3.4 因果图参数的在线学习 |
| 3.4.1 因果图的连接强度(参数)在线学习 |
| 3.4.2 参数在线学习的理论依据及优点 |
| 3.4.3 因果图参数在线学习与离线学习的区别 |
| 3.5 连续因果图参数学习 |
| 3.5.1 参数估计 |
| 3.5.2 非参数估计 |
| 3.5.3 半参数估计 |
| 3.6 因果图结构的学习 |
| 3.7 小结 |
| 4 因果图与其它知识表达之间的关系 |
| 4.1 因果图与信度网的关系 |
| 4.1.1 因果图与信度网的相同点 |
| 4.1.2 因果图与信度网的不同点 |
| 4.2 因果图转化为信度网 |
| 4.2.1 多个原因事件单值因果图的转换 |
| 4.2.2 含有逻辑门的多值因果图的转换 |
| 4.2.3 因果图转化为信度网的算法 |
| 4.2.4 算例验证 |
| 4.3 因果图与产生式规则 |
| 4.3.1 问题的提出 |
| 4.3.2 产生式规则 |
| 4.3.3 产生式规则与因果图的转换 |
| 4.3.4 实例 |
| 4.4 小结 |
| 5 因果图的近似推理算法 |
| 5.1 引言 |
| 5.2 单值因果图的一种近似推理算法 |
| 5.2.1 连接概率矩阵 |
| 5.2.2 推理规则 |
| 5.2.3 推理算法 |
| 5.2.4 实例分析 |
| 5.3 基于模糊因果图的故障诊断 |
| 5.3.1 模糊数的引入 |
| 5.3.2 模糊因果图的推理 |
| 5.3.3 实例分析 |
| 5.4 小结 |
| 6 总结 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间发表的论文目录 |
| 独创性声明 |
| 学位论文版权使用授权书 |
（6）因果图推理算法及专家系统应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 因果图理论产生背景 |
| 1.1.2 因果图模型研究和发展方向 |
| 1.2 作者主要工作 |
| 1.3 论文章节安排 |
| 2 因果图知识表达与推理 |
| 2.1 基于概率的知识表达模型概述 |
| 2.1.1 信度网 |
| 2.1.2 马尔可夫随机域 |
| 2.2 因果图知识表达 |
| 2.2.1 因果图模型描述及符号定义 |
| 2.2.2 因果树 |
| 2.2.3 因果图同信度网在知识表达方式上的差异 |
| 2.3 因果图推理 |
| 2.3.1 单值因果图推理 |
| 2.3.2 多值因果图推理 |
| 2.3.3 因果图离散、连续混合模型推理 |
| 2.4 小结 |
| 3 多值因果图解析推理算法 |
| 3.1 多值因果图解析推理中存在的困难分析 |
| 3.2 算法推导 |
| 3.2.1 基本假设 |
| 3.2.2 归一性问题 |
| 3.2.3 互斥性问题 |
| 3.3 算法描述 |
| 3.4 实际应用 |
| 3.5 小结 |
| 4 多值因果图迭代推理算法 |
| 4.1 信度网相关研究 |
| 4.1.1 信度网PolyTree Propagation 算法 |
| 4.1.2 有环图的信度传播方法 |
| 4.1.3 基于遗传算法、模拟退火算法的信度网推理方法 |
| 4.2 因果图转换为信度网的算法 |
| 4.2.1 信度网与因果图知识表达方式异同分析 |
| 4.2.2 无有向环因果图向信度网转换算法 |
| 4.2.3 含有向环因果图向信度网转化算法讨论 |
| 4.3 多值因果图信度传播迭代算法 |
| 4.3.1 迭代过程说明 |
| 4.3.2 迭代算法描述 |
| 4.3.3 迭代算法分析 |
| 4.3.4 实验结果 |
| 4.4 因果图MPE 问题的遗传迭代推理算法 |
| 4.4.1 标准遗传算法简介 |
| 4.4.2 因果图MPE 问题遗传迭代推理算法描述 |
| 4.4.3 实验结果 |
| 4.5 迭代方法与解析方法的综合比较 |
| 4.5.1 推理结论的比较 |
| 4.5.2 推理效率的比较 |
| 4.6 小结 |
| 5 因果图专家系统应用研究 |
| 5.1 专家系统概述 |
| 5.2 因果图专家系统开发平台 |
| 5.2.1 理论相关问题 |
| 5.2.2 软件体系结构 |
| 5.3 因果图专家系统平台应用模式 |
| 5.3.1 基于Intranet 的应用模式 |
| 5.3.2 基于Internet 的应用模式 |
| 5.4 清华大学核电站模拟机故障诊断专家系统 |
| 5.5 小结 |
| 6 总结 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的论文 |
| 附录2 攻读博士学位期间取得的科研成果 |
| 独创性声明 |
| 学位论文版权使用授权书 |
（7）基于信度网的不确定性推理、学习与分类研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 作者的主要工作 |
| 1.3 论文的结构 |
| 2 信度网推理 |
| 2.1 引言 |
| 2.2 信度网与其他概率图模型 |
| 2.3 信度网推理 |
| 2.4 树状信度网的精确推理算法 |
| 2.4.1 网络传播 |
| 2.4.2 POLYTREE 推理的一种并行处理算法模型 |
| 2.5 JOIN TREE 算法及其性能改进 |
| 2.5.1 JOIN TREE 算法 |
| 2.5.2 JOIN TREE 算法的快速三角分解 |
| 2.6 小结 |
| 3 信度网学习 |
| 3.1 信度网学习 |
| 3.1.1 基本概念 |
| 3.2 参数学习 |
| 3.3 结构学习 |
| 3.3.1 基于约束的学习 |
| 3.3.2 基于优化的学习 |
| 3.4 用遗传算法学习信度网的结构 |
| 3.4.1 信度网的二进制编码 |
| 3.4.2 一种新的编码方案 |
| 3.4.3 演化处理与数值实验 |
| 3.4.4 遗传算法和编码方案小结 |
| 3.5 信度网在线学习算法 |
| 3.5.1 在线学习和主动学习 |
| 3.5.2 信度网参数在线学习算法 |
| 3.5.3 信度网结构在线学习算法 |
| 3.5.4 实验结果(本实验由C++BUILDER 5 编程) |
| 3.5.5 在线学习算法小结 |
| 3.6 本章小结 |
| 4 信度网分类器 |
| 4.1 简介 |
| 4.2 朴素贝叶斯分类器学习和分类 |
| 4.3 对朴素贝叶斯分类器的结构改进 |
| 4.4 基于粗糙集的特征加权算法 |
| 4.4.1 粗糙集(ROUGH SET) |
| 4.4.2 特征加权和特征选取 |
| 4.4.3 朴素贝叶斯分类器的特征加权 |
| 4.4.4 数值实验 |
| 4.4.5 结论 |
| 4.5 本章小节 |
| 5 基于信度网的软件运行状态监控 |
| 5.1 简介 |
| 5.2 CHPC 监控与数据采集 |
| 5.3 软件异常监控模型 |
| 5.3.1 基于软件正常运行状态监控模型 |
| 5.3.2 异常检测 |
| 5.4 SOFTDIAGNOSE 软件 |
| 5.5 数值实验 |
| 5.6 结论 |
| 6 总结 |
| 致谢 |
| 参考文献 |
| 附录:攻读博士期间的科研工作和学术论文情况 |
（9）因果图推理及其应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 引言 |
| 1.1 研究背景 |
| 1.1.1 人工智能中的不确定性问题及推理 |
| 1.1.2 复杂系统的故障诊断 |
| 1.1.3 因果图理论用于故障诊断 |
| 1.2 研究目标 |
| 1.3 论文总览 |
| 2 不确定性推理及信度网理论 |
| 2.0. 引言 |
| 2.1 不确定性问题 |
| 2.1.1 基本概念 |
| 2.1.2 基本问题 |
| 2.1.3 不确定性推理的一般过程 |
| 2.2 不确定性推理方法 |
| 2.2.1 概率推理 |
| 2.3 信度网理论 |
| 2.3.1 信度网模型 |
| 2.3.2 信度网知识表达与因果语义 |
| 2.3.3 信度网推理 |
| 2.3.4 信度网理论的局限性 |
| 2.4 小结 |
| 3 动态因果图知识表达与推理 |
| 3.0. 引言 |
| 3.1 因果图知识表达 |
| 3.1.1 因果图模型 |
| 3.1.2 因果树 |
| 3.1.3 因果图相对于信度网在知识表达方式上的优势 |
| 3.2 单值因果图推理算法 |
| 3.2.1 常规推理算法 |
| 3.2.2 单值因果图推理的一种新方法 |
| 3.3 多值因果图推理 |
| 3.3.1 多值因果图推理算法 |
| 3.4 小结 |
| 4 动态因果图理论应用于故障诊断 |
| 4.0. 引言 |
| 4.1 故障诊断原理与方法 |
| 4.1.1 系统与故障 |
| 4.1.2 故障诊断原理与方法 |
| 4.1.3 复杂系统的故障诊断方法 |
| 4.2 因果图理论用于故障诊断 |
| 4.2.1 故障影响传播图 |
| 4.2.2 故障模式的求取 |
| 4.2.3 故障模式条件概率的计算 |
| 4.3 关于因果图智能故障诊断平台 |
| 4.3.1 功能子系统 |
| 4.3.2 推理机系统结构 |
| 4.3.3 系统I/O界面 |
| 4.4 小结 |
| 5 因果图理论用于船舶拖轮舵桨装置控制系统的故障诊断 |
| 5.1 方案选择问题 |
| 5.2 对象系统概述 |
| 5.3 舵桨装置控制系统的故障诊断 |
| 5.4 小结 |
| 6 总结 |
| 致谢 |
| 参考文献 |
（10）因果图理论及其用于复杂系统故障诊断研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 目录 |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 信度网的研究现状 |
| 1.1.2 动态因果图的研究现状 |
| 1.1.3 复杂系统故障诊断的研究现状 |
| 1.2 论文章节安排 |
| 2 因果图的知识表达与推理算法研究 |
| 2.1 因果图的知识表达 |
| 2.1.1 因果图 |
| 2.1.2 因果树 |
| 2.1.3 因果图同信度网在知识表达方式上的差异 |
| 2.2 单值因果图的常规推理算法 |
| 2.3 单值因果图推理的新方法 |
| 2.3.1 因果图的正规化、标准化变换 |
| 2.3.2 标准化因果树的不交化 |
| 2.3.3 求不交化标准因果树的最小割集矩阵 |
| 2.4 本章小结 |
| 3 多值因果图的推理算法研究 |
| 3.1 多值因果图存在的困难分析 |
| 3.2 多值因果图的一种推理算法 |
| 3.2.1 多值因果图修正性的几点补充定义 |
| 3.2.2一 个多值因果图实例 |
| 3.2.3 可能性定义与计算 |
| 3.2.4 多值因果图向单值因果图的转化 |
| 3.2.5 证据E下，感兴趣变量状态的后验概率计算 |
| 3.3 多值因果图的一种模糊推理算法 |
| 3.3.1 多值因果图的模糊扩展定义 |
| 3.3.2 在证据E下，感兴趣变量H的读数变量某取值的后验概率计算 |
| 3.4 本章小结 |
| 4章 可能性传播图模型及其专家知识获取方法研究 |
| 4.1 引言 |
| 4.2 连续变量可能性传播图模型 |
| 4.3 可能性传播图模型的专家知识获取方法 |
| 4.3.1 可能性传播图模型中的专家知识获取问题 |
| 4.3.2 专家知识的模糊表达 |
| 4.3.3 模糊表达的专家知识向连接强度函数的转变 |
| 4.4 本章小结 |
| 5 因果图用于复杂系统故障诊断研究 |
| 5.1 引言 |
| 5.2 故障知识的表达 |
| 5.2.1一 个故障诊断因果图实例 |
| 5.2.2 故障影响传播图 |
| 5.3 故障模式的求取 |
| 5.4 故障模式条件概率的计算 |
| 5.5 因果图智能故障诊断平台的设计与实现 |
| 5.5.1 系统设计原则 |
| 5.5.2 系统整体设计 |
| 5.5.3 推理机系统结构 |
| 5.5.4 系统界面举例 |
| 5.6 本章小结 |
| 6 总结 |
| 致谢 |
| 参考文献 |
| 附：1.作者在攻读博士学位期间发表的论文目录 |
| 2. 作者在攻读博士学位期间参加的科研项目 |
四、信度网推理——方法及问题(上)（论文参考文献）
- [1]信度网对于不确定知识的表达及推理[J]. 蒋方明,曾玉. 科技信息, 2010(30)
- [2]ATIS故障诊断系统设计及其诊断技术研究[D]. 于涛. 西南交通大学, 2008(06)
- [3]Bayes网理论及其在在线导购中的应用研究[D]. 赵波. 重庆大学, 2007(05)
- [4]一种用于信度网推理的高效三角化算法[J]. 张聪,沈一栋,程克非. 计算机科学, 2005(06)
- [5]基于因果图的不确定性推理理论及算法研究[D]. 王洪春. 重庆大学, 2005(08)
- [6]因果图推理算法及专家系统应用研究[D]. 沈文武. 重庆大学, 2005(08)
- [7]基于信度网的不确定性推理、学习与分类研究[D]. 张聪. 重庆大学, 2005(08)
- [8]一种信度网推理的并行计算模型[J]. 张聪,沈一栋,刘启元. 计算机工程与应用, 2004(29)
- [9]因果图推理及其应用研究[D]. 王宏川. 重庆大学, 2002(02)
- [10]因果图理论及其用于复杂系统故障诊断研究[D]. 樊兴华. 重庆大学, 2002(01)