基于贝叶斯统计的故障推理试验研究.pptVIP

基于贝叶斯统计推理的故障定位实验研究 Experimental Study of BBN—Based Fault Localization 故障定位目的 寻找引发失效的原因或者是故障位置 加快调试过程 故障推理过程 故障/失效——不确定性 贝叶斯置信网络(Bayesian belief network，BBN） 故障推理贝叶斯网络的构建 贝叶斯网络 三元组(G， Ω ，P） G=( V，E)为有向无环图． V——节点集合代表离散型域变量； E——变量间概率依赖关系 Ω——域变量的实例化空间 P=｛CPT（Vi）｝，条件概率分布（conditional probability table） 构建过程 先验贝叶斯网络 已有数据并进行学习 后验贝叶斯网络 故障推理贝叶斯网络的构建 三元组(G，ω，P） G=( V，E)为有向无环图． V——节点集合代表离散型域变量； E——变量间概率依赖关系 ω——域变量的实例化空间 P=｛CPT（V）｝，条件概率分布（conditional probability table） ω 待分析程序中类的所有方法组成的集合 先验概率 故障/方法层 可疑模式层 计算其包含故障的概率为P t(c) 定义与其相关的可疑模式集合为c[_]DPTN 根据概率排序，舍弃概率较小的模块，得故障模块集合CF 定义保留度 基于推理网络的求解 和保留度阀值进行比较，得RCF 归一化( normalization)处理 故障树和贝叶斯网络结合 基于神经网络的自适应模糊推理系统 ——基于已有数据的建模方法 案例推理——由采用离散数据符号向量建模，改进为动态系统多元异类信息 基于多色集合的多重故障建模与推理