贝叶斯网络与情景构建的结合.pptVIP

中国安全生产科学研究院 贝叶斯网络与情景构建的相关问题 基于贝叶斯网络的突发事件情景构建 一、基于知识的贝叶斯网络 基于知识的贝叶斯网络建模方法的核心思想是基于知识库，使用推理构建贝叶斯网络模型。 基于知识的贝叶斯网络建模过程流程： 面对不同的突发事件，通过人机界面（HMI）输入应急决策支持所需问题的描述，推理机基于知识库进行推理并构建针对当前突发事件应急决策支持问题的贝叶斯网络模型，再通过一定的模型修改得到最终的贝叶斯模型。其中，知识库中存储的是基于相关领域专家经验知识的规范化知识信息。 一、基于知识的贝叶斯网络 图1 基于知识的贝叶斯网络建模流程 二、基于案列推理的贝叶斯网络 基于知识的建模方法主要使用的是基于规则的推理方式，但是，使用规则推理进行建模时，每次都需要对知识库中的所有规则知识信息遍历一次，当面对复杂问题时，建模效率很低。 为了克服基于知识的建模方法的不足之处，可以使用案列推理的方法。案例推理的基本思想：基于新案列的有关信息，对历史案例进行搜索，参考历史案例对新案例进行求解。 二、基于案列推理的贝叶斯网络 案列推理一般由以下四个部分内容组成： （1）案列匹配： 基于已有的新案例的有关数据信息，对案列库中的历史案例进行匹配，从而得到相似的历史案例。 （2）案例复用： 对案例匹配所得到的相似历史案例进行分析，基于其中最相似的案例进行新案例求解，以达到重复使用案例的目的。 二、基于案列推理的贝叶斯网络 案列推理一般由以下四个部分内容组成： （3）案例修正： 当案例匹配所得到的案列无法直接应用于当前新案例的求解中时，则需对相似案例进行修正，使其满足要求。 (4)案例保存： 将当前新案例以一定的案例表示方法储存到案例库中，以不断增强案列库的实用性。 二、基于案列推理的贝叶斯网络 图2 案例推理的工作流程 二、基于案列推理的贝叶斯网络 图3 基于案例推理的贝叶斯网络建模流程 三、案列匹配方法 案列匹配的思想是通过一定的算法，计算历史案例和新案例的相似程度，以相似程度最高的案列作为匹配结果。 对于某一领域的模型来说，案例之间的相似程度可以近似的通过计算相同节点的数目得到，即节点相似程度高的两个模型具有相似的贝叶斯网络结构。 三、案列匹配方法 案列相似度计算方法： 式中： ——历史案列； ——当前新案列； ——两个案例之间的相似程度； ——两个案例相同查询节点的数目； ——当前新案列中查询节点的数目； ——两个案例相同证据节点的数目； ——当前新案例中证据节点的数目； ——查询节点的权重系数； ——证据节点的权重系数。且 三、案列匹配方法 若历史案例包含了当前新案例中所有的节点，则有 即两个案例的相似度为100%； 若历史案例没有包含当前新案例中的任何节点，则有 即两个案例的相似度为0 式中： ——两个案例之间的偏离度； ——历史案例中的节点数目； ——存在于历史案例中但不存在于当前新案例中的节点数目， 且 。 三、案列匹配方法 图4 贝叶斯网络模型匹配流程 四、模型修正方法 典型的贝叶斯模型修正方法包括：融合方法、剪枝方法、细分和泛化方法等。 （1）融合方法：设需要进行贝叶斯网络融合的两个候选案例的贝叶斯网络分别为 A和B,将B融合到A中（即将B中的各个节点加入到A中），如图5所示。 图5 案列融合示意图 四、模型修正方法 （2）剪枝方法：根据已有的证据和查询信息，删除与当前案例无关的节点及相应的路径，从而降低贝叶斯网络的复杂度，提高贝叶斯网络支持效率，如图6所示。 图6 案列剪枝示意图 四、模型修正方法 （3）细分和泛化方法：贝叶斯网络进行融合和剪枝后，为了提高最终贝叶斯网络模型与当前新案例的相似程度，需要根据实际情况对贝叶斯网络进行细分和泛化，即节点的添加、分解和合并。 图7 节点的分解和合并 四、模型修正方法 图8 节点的添加 图9 子节点的添加 四、模型修正方法 图8 父节点的添加 （无父节点） 图9 父节点的添加（有父节点） 补充：基于贝叶斯网络的情景构建框架理解 谢谢 请批评指正！ * 中