地下水翻译.docVIP

基于混合贝叶斯网络地下水质量评价 贝叶斯网络(BNs)已经成为标准在人工智能领域的一种手段处理不确定性和风险模型。近年来,特别有兴趣使用连续和离散域, 使用所谓的混合BNs从而消除对于离散化的需要在环境中,混合物的截断指数(MTEs)提供一个合适的解决方案任何限制本研究的目的是通过设计和地下水质量应用概率聚类,基于混合贝叶斯网络与MTEs。首先,获得的结果允许三组抽样的分化点,表明三种不同类型的地下水质量。其次,一个采样点的概率属于每个集群允许的不确定性进行评估,以及相关方面的风险水的质量管理。的方法在可以应用到环境科学其他领域。关键词混合贝叶斯网络截断指数概率数据的混合物集群地下水质量地下水质量维持自然生态系统和人类活动(Lischeid 2009;Papaioannou et al . 2010;Garc?′a-D?′阿兹2011)。地下水质量评估、多元过程如聚类分析,已经被应用监控获得物理化学信息(刘et al.2011;埃文和Favre 2012;Ghorban王2012;Vousoughi et al . 2012;和金2012)。聚类分析(Anderberg 1973;Jain et al . 1999年)是一个统计技术组的观察(采样点)集群。因此,具有类似水质采样点可以组合优化监测项目(阿特拉斯陆et al . 2011;et al . 2011年)。然而,当使用这些组织作为决策过程的一部分,涉及的包括观察到一组能量化。在这种情况下,经理有一个增加兴趣的发展新业务工具来评估不确定性和风险,从而促进决策过程(Refsgaard et al.2007)。贝叶斯网络(BNs)(珍珠1988;詹森和Nielsen2007)被认为是一种最工具代表复杂系统变量之间的关系的不确定性。他们的主要目的是提供一个框架对他们所代表的系统推理,未被注意的变量更新的信息一些新的信息整合到系统中(詹森et al . 1990;Shenoy和沙佛1990)。变量在BNs概率分布因此可以比其他模估计更多的风险和不确定性(Uusitalo 2007;廖et al。2010年,刘et al . 2012年)。BNs图释允许利益相关者容易理解变量和手动添加或改进学习模型删除弧(甚至变量)之间的关系更好实(VoinovBousquet 2010)。在环境科学是连续或混合(离散和连续),BNs可,但很多情况下限制太严格 (尼伯格et al.2006)。在环境建模最广泛使用的溶液是discretise变量， 接受信息的丢失（布罗姆利等，2005; 2007 Uusitalo）。 到目前为止，一些新的解决方案已经被提出，例如条件 高斯（CG）模型（劳里岑1992;劳里岑和2001延森），截断指数函数的混合模型（MTE）（德等人，2001），多项式的混合物模型（MOP（谢诺伊和West2011）及混合物截断基函数（MoTBFs）模型（Langseth 2012）。Aguilera（2011）在环境建模审议BNS系列的应用混合型的BN乎在环境建模中得到应用。有几表论文关BNS在地下水他们没有使用基于混合的BN解决方案，但离散被应用。,参与建模或预测等。BNS已被开发来解决各种在人工智能领域的问题（拉腊因?AGA与道德2011）其中之一是所谓的数据簇散射问题（ANDERBERG1973; Jain等人1999），这是模式识别或马赫非常有用的。数据聚类被理解为一个分区数据以这样的方式设置成组，在是彼此相似的，但与其他群体的个。BN是有效的解决概率的聚类问题的工具相对于传统的聚类，允许个人属于多个集群一个概率分配本文的目的是开发一种基于混合的BN概率簇散射模型，可以应用评价地下水水质。要做到这一点，推断是应用到数据集的概率分布。的或然性分布采用MTES，它意味着模型的结构没有限制的，即离散的和/或连续的节点的离散和。外连续和离散的数据可以同时使用而不需要任何离散化。 本文的结构如下：第二介绍关于混合动力的BN，以及他们如何用于解决概率数据聚类问题。第三单元是专门应用地下水质量的管理。最后给出得出的重要结论。基于混合贝叶斯集群贝叶斯网络（Jensen等，1990;。和谢诺伊1990谢弗）是一种统计一组变量X 1多变量模型这两个组件来定义的定性部分，通过有向无环图（DAG），其中每个顶点代表一个在模型中的变量，从而使圆弧连接两个变量表示它们之间的统计依赖。例如，该曲线图在图中描绘。图1（a）可以是英国国民的变量X的定性成分 1 ，X 2 和 X 3 使用条件的定量部分，指定分布p（| Pa（）），每个变量，= 1; ...; ? 考虑到其父母在图中，表示为PA（）。图1b 示出了条件分布P（X1）的一个例子，第（| X1）和p（3| X1，X 2 ）的DAG图BNS