[发明专利]一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法

说明书

一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法，所述方法包括如下步骤：1)高压开关柜样本数据集的获取与处理；2)根据系统中各事件的实际情况，通过事件之间的因果关系构建系统的贝叶斯网络结构图G，基于条件独立，确定所有节点的联合概率为P{θ₁,θ₂,…,θ_n}；3)确定基于专家知识的参数约束；4)将期望最大化算法与专家知识相结合的方法来进行贝叶斯网络的参数学习。本发明能够将专家知识和贝叶斯网络进行融合，对不适定问题进行正则化处理，限制搜索空间，避免局部极大值。

技术领域

本发明属于计算机技术领域，具体涉及一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法。

背景技术

随着人工智能的发展，特别是机器学习、数据挖掘等兴起，为贝叶斯理论的发展和应用提供了更为广阔的空间。贝叶斯网络是一种描述变量之间不确定关系的图形化表示。贝叶斯网络由两部分组成，一个是网络结构模型，它是一个有向无环图，图中的节点表示随机变量，图中的有向边表示变量间的依赖关系；另一个是参数表，代表了各节点和其父节点之间的概率依赖关系。贝叶斯网络作为一种概率网络，在不确定性问题的推理上有着明显的优势，贝叶斯网络参数学习所学出来的参数会影响最终推理结果的准确性。

贝叶斯网络的参数学习是构建贝叶斯网络的重要组成部分，参数学习方法可基于完整数据集和不完整数据集。当数据集完整时，参数学习方法主要有贝叶斯估计和最大似然估计。当数据集不完整时，大多采用期望最大化算法求解参数。当样本数据集充足时，最大似然估计或贝叶斯估计可以解决网络参数学习的问题。但是，在实际应用中样本数据比较少且存在缺失值的情况时，容易产生参数学习精度差的问题。

目前关于贝叶斯网络参数学习的方法中，针对不完整数据集进行参数学习时，很难在高维空间中进行，容易造成局部极大值和算法收敛速度较慢的问题。针对现有贝叶斯网络参数学习技术的不足，本发明提出了基于专家知识约束的贝叶斯网络参数学习方法。在参数学习中，考虑三种定性约束，即范围约束、不等式约束和加性不等式约束，减少训练空间，避免局部极大值，然后将专家知识的约束和期望最大化算法结合，通过梯度下降法获得参数的最优估计。

发明内容

针对现有贝叶斯网络参数学习方法容易造成局部极大值和算法收敛速度较慢的技术缺陷，本发明提供了一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法，本发明能够将专家知识和贝叶斯网络进行融合，对不适定问题进行正则化处理，限制搜索空间，避免局部极大值。

本发明解决其技术问题所采用的技术方案是：

一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法，所述方法包括如下步骤：

1)样本数据集的获取与处理，过程如下：

1.1)获取样本数据集：

根据高压开关柜系统的真实运行情况，确定贝叶斯网络中的各节点{θ₁,θ₂,…,θ_n}信息，并对各节点信息进行实时采样，获得一组样本数据集D＝{D_m,m＝1,2,…,N}，定义A＝{A_m,m＝1,2,…,N}， B＝{B_m,m＝1,2,…,N}分别为观测数据集和缺失数据集，且满足 A∪B＝D；

1.2)数据离散化处理：

在实际情况中，大部分节点采样得到的样本数据集均是连续的，需要将样本数据集进行离散化处理；首先，通过查找样本数据集D＝{D_m,m＝1,2,…,N}中的最小值a与最大值b确定数据范围[a,b]；其次，对该范围进行M(M≥2且M为正整数)个合理等区间划分，区间长度为最后，将给每个子区间赋一个标签值0,1,2,…；