[发明专利]贝叶斯网络结构学习方法、系统及可靠性模型构建方法

说明书

技术领域

本发明涉及可靠性工程技术领域，尤其涉及一种贝叶斯网络结构学习方法、学习系统及可靠性模型构建方法。

背景技术

贝叶斯网络(Bayesiannetworks，BN)是一种有向无环图，用于表达系统各变量间的关联关系及相互影响程度。其中，关联关系通过网络中有向弧表达；变量间影响程度则借助条件概率表描述。系统可靠性可以理解为，某一特定系统在给定条件下正常工作的概率。

通过贝叶斯网络进行系统可靠性估计技术，在许多领域得到越来越广泛的应用。BN结构学习的效果，在很大程度上影响着系统可靠性估计的准确度。因此，系统可靠性估计的关键在于BN结构学习方法的选用。

目前使用的BN结构学习方法主要有两种：1.领域专家参与构建目标系统BN结构；2.采用机器学习算法获得系统BN。方法1能够充分利用专业人员的专业知识及以往经验，通过分析系统历史失效记录或测试数据获得较为准确的系统BN结构。但是，使用这种方法的前提是专业人员对系统的正常工作或失效行为机理具有深刻理解。随着一些系统复杂程度的提高，能够准确弄清系统内部失效机理显得越来越具有挑战性甚至不可能。另一方面，通过专业人员进行系统BN结构的构建耗时较长，不够经济且系统发生失效时也不可能随时能够找到合适的专家来解决，这使得方法1越来越不适应现代社会高速发展的需要。这种现状促进了方法2的产生和不断改进。方法2能够在避免专业人员参与的情况下，根据已有的系统历史失效数据，借助特定的BN结构评价准则及相应的搜索算法自动进行系统BN结构的搜索和优化。BN结构评价准则能够描述当前BN结构与目标结构的接近程度，而搜索算法通过特定的操作算子不断地改进BN结构以提高其评价效果。贝叶斯信息准则(BayesianInformationCriterion,BIC)和最小描述长度(MinimalDescriptionLength,MDL)原理是两个具有代表性的BN模型评价标准。其中，BIC假定BN结构与观测数据完全吻合时，其对应的结构BIC值达到最大；而MDL假定BN结构与观测数据完全吻合时，其结构MDL值达到最小。

在进行BN结构的搜索与优化过程中，BIC往往与随机爬山法相结合，而MDL常与最好优先搜索策略结合。这些搜索方法主要借助边处理算子(包括加边，剪边，翻转算子)来逐步优化BN结构。不过，随机爬山法往往得到的是局部最优解，即使采用多次重复爬山也很难搜索到全局最优BN结构，且此过程会消耗大量时间。而最好优先搜索法属于贪婪搜索法范围，虽然避免了重复爬山，但其在BN结构优化过程中往往注重当前操作的最佳效果而忽略整个搜索过程产生的整体效果，这使得贪婪法对于BN结构学习问题很难得到全局最优解。

因此，现有技术还有待发展。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供贝叶斯网络结构学习方法、学习系统及可靠性模型构建方法，旨在解决现有技术中BN结构搜索和优化过程中搜索效率及准确率不高的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种贝叶斯网络结构学习方法，其中，所述方法包括：获取系统相关数据并抽象为对应的贝叶斯网络的节点；依据所述节点，建立对应的贝叶斯网络邻接矩阵，并初始化为全零矩阵；建立与所述贝叶斯网络邻接矩阵尺寸相同的节点对儿互信息矩阵，并初始化为全零矩阵；建立与所述贝叶斯网络邻接矩阵尺寸相同的节点对儿评分矩阵，并初始化为全零矩阵；依据所述系统相关数据，计算各节点对应的家族描述长度值及所有节点的家族描述长度值的和；执行加边操作；通过最小描述长度准则对当前贝叶斯网络结构进行评价并判断所述贝叶斯网络结构是否存在环；当所述贝叶斯结构的描述长度减小并不存在环时，继续执行所述加边操作以更新所述贝叶斯网络结构；

所述加边操作具体包括：计算所有节点对儿对应的互信息值；并获取所述节点对儿互信息矩阵中最大互信息值对应的第一节点对儿编号；将所述位置清零并在所述第一节点对儿之间添加一条无向边；计算所有节点对儿对应的评分值；并获取所述节点对儿评分矩阵中所述第一节点对儿对应位置的评分以确定所述无向边的方向。