[发明专利]基于自适应变权重的BN参数学习算法及其应用

权利要求书

1.基于自适应变权重的BN参数学习算法，其特征在于，根据小样本数据量的变化，设计调整样本数据和定性约束扩展参数的权重系数，进行变加权融合计算得出BN参数学习结果。

2.根据权利要求1所述的基于自适应变权重的BN参数学习算法，其特征在于，所述的基于自适应变权重的BN参数学习算法，具体包括，

建立参数学习模型结构；

获取计算参数学习模型所需的最小样本数据集阈值；

确定参数学习模型的不等式约束条件；

计算初始参数集；

进行参数扩展得到满足约束条件的候选参数集；

根据设计的变权重因子函数确定合适的变权重因子；

将样本数据初始参数集、约束扩展候选参数集、变权重因子以及参数学习总备选数据集个数计算得到最终的参数学习结果。

3.根据权利要求2所述的基于自适应变权重的BN参数学习算法，其特征在于，所述获取计算参数学习模型所需的最小样本数据集阈值，具体通过式(1)计算获得，

式(1)：

其中，M表示所需最小数据集数量；λ表示度量网络结构中变量的概率分布的偏度系数；d表示最大父节点数；ε表示KL误差；N表示网络节点数；K表示网络节点最大状态数；δ表示网络置信度。

4.根据权利要求2所述的基于自适应变权重的BN参数学习算法，其特征在于，所述计算初始参数集，具体是根据式(2)计算得到，式(2)：

其中，η为一个接近于零的很小常数，c＝q_i·r_i，q_i表示父节点变量的取值数，r_i表示子节点变量的取值数。

5.根据权利要求2所述的基于自适应变权重的BN参数学习算法，其特征在于，所述变权重参数是根据式(3)来进行确定，

式(3)：

其中，θ_data表示样本数据参数集，θ_{constraintextension}表示约束扩展参数集，θ_estimate为最终参数学习结果。

6.根据权利要求2所述的基于自适应变权重的BN参数学习算法，其特征在于，所述设计变权重因子是根据式(4)计算得到，

式(4)：

其中，D为样本量，其含义是通过样本量与最小样本数据集阈值的比值来反映样本数据量的规模。

7.根据权利要求2所述的基于自适应变权重的BN参数学习算法，其特征在于，所述最终的参数学习结果是根据式(3)计算得到。

8.权利要求1至7任一项所述基于自适应变权重的BN参数学习算法在轴承故障诊断中的应用。

9.根据权利要求8所述的应用，其特征在于，根据所述基于自适应变权重的BN参数学习算法构建轴承诊断BN模型，设置诊断属性概率阈值。

10.根据权利要求8所述的应用，其特征在于，所述轴承故障诊断包括，

收集轴承的信号数据；

将信号数据输入轴承诊断BN模型中，利用AWPL算法得到目标属性概率；

判断目标属性概率是否大于或等于诊断属性概率阈值，若满足，输出目标属性结果。