买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国矿业大学

摘要：一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法，确定需要用到的变量和几种常见的异常工况；确定贝叶斯网络节点的个数，并划分其状态；将变量集对应的数据进行离散处理；确定出异常工况相对应的变量集；将离散处理后的数据输入到改进评分函数中进行结构学习得到贝叶斯结构；利用最大似然函数进行参数学习得到模型；提取在线异常数据并利用专家知识选择对应的精细化模型；将在线提取的数据离散化处理数据输入到选择的模型中进行推理；根据推理结果对模型根节点进行调整；判断异常工况是否移除，若未移除则利用更新后的异常工况作为证据继续推理。该方法能为操作人员的安全控制决策提供可靠的依据，并能提高建模的效率和建模的精确度。

主权项：1.一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法，其特征在于，包括以下步骤：步骤1：分析流程工业中的过程知识并确定需要用到的变量和几种常见的异常工况1…k；步骤2：确定贝叶斯网络节点的个数，并划分其状态；步骤3：将变量集对应的数据进行离散处理；步骤4：根据公式1利用互信息从全部变量中确定出异常工况相对应的变量集1…k； 步骤5：先在传统的BIC评分函数中引入传递熵得到改进的评分函数，再将离散处理后的数据输入到公式5中的改进评分函数中进行结构学习得到贝叶斯结构1…k； 步骤6：对学习到的贝叶斯结构利用最大似然函数进行参数学习得到Model1…Modelk，其具体步骤如下：步骤6.1：最大似然估计方法根据公式6通过数据与参数的似然程度来进行参数学习；θ*＝argmaxθLθ|D6；式中，θ为给定参数，D为样本数据集，其包含M个样本，D＝{D1,D2,...,DM},其中Dm＝{dm1,dm2,...,dmn}m＝1,2,...,M；步骤6.2：根据公式7计算θ的似然函数Lθ|D； 式中，mijk表示样本数据D中满足Xi＝k和paXi＝j的样本数量；步骤6.3：根据公式7找到使得lθ|D取得最大值的 步骤6.4：对参数学习完的贝叶斯网络模型针对根节点添加相应的控制决策方案，得到精细化控制模型1*...k*；步骤7：提取在线异常数据并利用专家知识选择对应的精细化模型；步骤8：将在线提取的数据离散化处理数据输入到选择的模型中进行推理；步骤9：根据步骤8的推理结果对模型根节点进行调整；步骤10：判断异常工况是否移除，若移除则进入正常工况运行状态，若未移除则利用更新后的异常工况作为证据继续推理；步骤11：判断异常已移除则进入正常模式。

全文数据：

权利要求：

百度查询： 中国矿业大学 基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法