CN103729553A - 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 - Google Patents
一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 Download PDFInfo
- Publication number
- CN103729553A CN103729553A CN201310710947.7A CN201310710947A CN103729553A CN 103729553 A CN103729553 A CN 103729553A CN 201310710947 A CN201310710947 A CN 201310710947A CN 103729553 A CN103729553 A CN 103729553A
- Authority
- CN
- China
- Prior art keywords
- state
- accident
- cause
- node
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,引入复杂网络理论、人工智能技术实现城市安全复杂事件的分类管理,首先按照突发事件发生、发展、演化的过程,环境输入要素是状态要素发生变化的原因,输出要素是状态要素变化的结果,控制输入可以控制部分状态的变化,然后建立突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构,实现城市安全复杂事件分类控制。本发明提供了一种有效进行分类、实用性良好的基于贝叶斯网络学习的城市安全复杂事件分类控制方法。
Description
技术领域
本发明涉及复杂网络理论、人工智能技术领域知识,具体涉及一种城市安全复杂事件分类管理方法。特别适用于复杂事件分类管理的问题。
背景技术
目前国内外应急管理方面的研究大都侧重于应急管理机制、体系的建立与应急管理相关技术,都是从应急管理主体的角度出发的,而对应急管理的客体即突发事件的研究相对较少,对于突发事件客观规律的忽视,导致实际的应急管理工作中出现决策目标不明确、处置效率较低、处置成本过高等问题。虽然各个领域的突发事件都具有各自的行为特征和内部规律,但是在事件的发生、发展和演化方面,都具有一些共性特征,例如每种突发事件的发生发展都受到一定的外部环境因素的影响,突发事件都会给人类社会造成一定的破坏作用,形成相应的损失;此外各种突发事件的发生发展并不是相互独立的,无论是同一领域的突发事件还是不同领域的突发事件之间,都不同程度地存在着相互引发、干涉、转化、耦合等复杂关系,从而形成突发事件的连锁反应过程,例如城市突然遭到的台风灾害时常伴随着暴雨、洪水、泥石流、瘟疫等一系列次生事件。因此对城市安全的突发事件的研究不能片面或孤立地侧重于某一种事件,或是突发事件的某一种规律,而应该从整体出发,统一地揭示各种突发事件发生发展的共性规律。
发明内容
为了克服已有城市安全复杂事件中无法进行有效分类、实用性较差的不足,本发明提供了一种有效进行分类、实用性良好的基于贝叶斯网络学习的城市安全复杂事件分类控制方法。
本发明解决其技术问题所采用的技术方案是:
一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构,所述分类控制方法包括以下步骤:
1)输入—状态子网包括环境输入变量、控制输入变量与状态变量之间的因果关系,令EI={eii|1≤i≤m}为突发事件的环境输入变量集合,AI={aik|1≤k≤m}为控制输入变量集合,MP={mpj|1≤j≤n}为事件状态变量集合,IP={ipj|1≤j≤m}为承灾体状态变量集合,该网络中的因果关系用条件概率表示为:P(mpj|eii)表示环境输入对事件状态的影响程度;P(mpj,ipj|eik)表示控制输入对事件状态与承灾体状态的影响程度;
2)状态—状态子网络用于描述状态变量之间的因果关系,令MP为事件状态变量集合,IP为承灾体状态变量集合,se为事件的触发状态变量,该网络包含的因果关系用条件概率表示为:设mpi∈MP,p(mpj|mpi)表示事件状态变量之间的影响程度,p(ipj|mpi)表示事件状态变量对承灾体状态变量的影响程度,p(se|mpi,ipj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态;
3)状态—输出子网络包括状态变量与输出变量之间的因果关系。令MP为事件状态变量集合,IP为承灾体状态变量集合,O={o,|1≤j≤m}为输出变量集合,SO={soj|≤j≤p}为与外部环境变量具有作用关系的响应状态变量,LO={lo,|1≤k≤q}为事件损失变量集合,其中O=SO∪LO,该网络包含的因果关系用条件概率表示有p(oj|mpi)与p(oj|ipj),分别表示当事件或承灾体处于特定状态时,突发事件对外部环境的影响或造成特定损失的概率;
4)影响城市安全的突发复杂事件预测的贝叶斯网络:根据1)-3)子网络,令G={N,E,P}为突发事件贝叶斯网络,其中N=I∪S∪O,(N,E)为网络结构描述了变量之间的因果关系,变量之间的影响程度用条件概率表P表示,变量的条件概率通过专家知识直接指定或根据历史数据进行统计得到;知道了根节点的先验概率与其他节点的条件概率,得到所有变量的联合概率分布,如下式所示:
p(eii,mpj,ipj,se,aik,oj)=
p(eii)p(mpj|eii)p(mpj,ipj|aik)
p(mpj|mpi)p(ipj|mpi)
p(se|mpi,ipj)
p(oj|mpi)p(oj|ipj)
利用上式,计算网络中各节点的边缘概率,从而确定先验网络;假设观测到的突发事件的部分信息为E,利用此证据信息更新网络中其他节点的概率,实现对突发事件的关键状态及其损失后果的预测,具体计算方法如下:
令e∈E为证据信息,假设人们最关心的是突发事件的状态信息与输出信息,则有:
其中,P(e)与P(mpi,ipj,oj,e)可通过上面的公式并利用高阶联合概率计算低阶联合概率获得;
5)贝叶斯网络学习与优化:令G={N,E,P}为突发事件贝叶斯网络,(N,E)为网络结构,N为突发事件贝叶斯网络中的节点集合,E为节点之间的因果关系集合,网络结构学习的目的就是给定节点集合N,得到N中各节点的因果关系集合E,根据领域专家知识对节点之间的因果关系进行识别;采取D-S证据合成理论为核心构筑领域知识采集框架,对多个专家给出的网络结构先验知识进行合成,根据事先定义的阀值,消除不一致信息,采纳多个领域专家的共识,形成比较合理的突发事件贝叶斯网络拓扑结构;
6)结果输出:对于目标突发事件贝叶斯网络而言,输入节点I、状态节点S以及输出节点O组成了网络中的节点集合,让领域专家对输入I与状态S、状态S与状态S、状态S与输出O等各节点之间的因果关系进行评价,为每一对节点之间的因果关系分配信度函数。用Cause、Result表示节点a与b有直接的因果关系,Reliability表示某个领域专家对该因果关系分配的信度,然后根据D-S证据合成理论进行合成,从中仅选择信度最高和最低两种知识,确定最终接受的专家知识并形成突发事件贝叶斯网络按照这个过程,对知识库中所有的规则进行合成,最终形成突发事件贝叶斯网络。
进一步,所述步骤6)中,根据领域专家知识库,对于同一对节点之间的因果关系,不同的专家分配了不同的信度,使用证据合成理论对知识库中的所有规则进行合成从而形成目标突发事件的贝叶斯网络结构,具体过程为:根据I→S、S→S、S→O的顺序,依次在知识库中查找每种规则;针对每种规则,查找每个专家对该规则分配的信度,接着采用证据合成方法对各领域专家分配的信度进行合成,若结果接近1,则采纳该规则,认为相应的节点之间存在着因果关系,否则认为节点之间相互独立。
再进一步,所述步骤4)中,当网络中节点超过预设阈值时,采用联合树推理算法求解。
本发明的技术构思为:并不局限于某一领域的突发事件,尝试将各个领域的突发事件视为一个整体,抽象与提炼突发事件发生发展过程中的共性特点,进而分析各种突发事件之间的相互作用关系,在此基础上研究合适的方法,能够对各类突发事件的发生发展过程以及突发事件的连锁反应进行建模分析。
贝叶斯网络作为一种强有力的不确定性知识表示与推理工具,受到了越来越多的重视。贝叶斯网络所具有的特性非常适合用于对突发事件的发生、发展过程进行建模分析,适合于表达与突发事件发生、发展相关的各种因素之间的复杂关联关系;适合于描述因素多态性以及因素间逻辑关系非确定性问题。通过概率推理,能够对突发事件的整个发生、发展过程进行分析预测。因此本申请选择贝叶斯网络作为建模工具,对突发事件以及多个突发事件形成的链式关系进行建模,进而进行分类、优化、管理。
基于此,本发明以城市复杂事件分类管理问题为研究对象,引入复杂网络理论、人工智能技术,充分考虑城市安全复杂事件特征,提出一种基于贝叶斯网络学习的城市安全复杂事件分类管理方法。通过该方法帮助政府部门实现对城市公共安全事件的分类、管理。
本发明引入复杂网络理论、人工智能技术实现城市安全复杂事件的分类管理,首先按照突发事件发生、发展、演化的过程,环境输入要素是状态要素发生变化的原因,输出要素是状态要素变化的结果,控制输入可以控制部分状态的变化,然后建立突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构,实现城市安全复杂事件分类管理。
本发明的有益效果在于:本发明有效克服了城市安全复杂事件管理中经常存在的突发性情况,使得政府部门能够对城市安全复杂事件进行有效分类管理,具有良好的应用价值。
附图说明
图1是城市突发复杂事件贝叶斯网络结构的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,按照突发事件发生、发展、演化的过程,环境输入要素是状态要素发生变化的原因,输出要素是状态要素变化的结果,控制输入可以控制部分状态的变化,因此突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构,包括以下步骤:
1)输入—状态子网络:该网络主要包括环境输入变量、控制输入变量与状态变量之间的因果关系。令EI={eii|1≤i≤m}为突发事件的环境输入变量集合,AI={aik|1≤k≤m}为控制输入变量集合,MP={mpj|1≤j≤n}为事件状态变量集合,IP={ipj|1≤j≤m}为承灾体状态变量集合。该网络中的因果关系用条件概率表示为:P(mpj|eii)表示环境输入对事件状态的影响程度;P(mpj,ipj|eik)表示控制输入对事件状态与承灾体状态的影响程度;
2)状态—状态子网络:该网络主要用于描述状态变量之间的因果关系。令MP为事件状态变量集合,IP为承灾体状态变量集合,se为事件的触发状态变量。该网络包含的因果关系用条件概率表示为:设mpi∈MP,p(mpj|mpi)表示事件状态变量之间的影响程度,p(ipj|mpi)表示事件状态变量对承灾体状态变量的影响程度,p(se|mpi,ipj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态;
3)状态—输出子网络:该网络包括了状态变量与输出变量之间的因果关系。令MP为事件状态变量集合,IP为承灾体状态变量集合,O={o,|1≤j≤m}为输出变量集合,SO={soj|≤j≤p}为与外部环境变量具有作用关系的响应状态变量,LO={lo,|1≤k≤q}为事件损失变量集合,其中O=SO∪LO。该网络包含的因果关系用条件概率表示主要有p(oj|mpi)与p(oj|ipj),分别表示当事件或承灾体处于特定状态时,突发事件对外部环境的影响或造成特定损失的概率;
4)影响城市安全的突发复杂事件预测的贝叶斯网络:根据(1)-(3)子网络,复杂突发事件预测的整体网络如图1所示;
令G={N,E,P}为突发事件贝叶斯网络,其中N=I∪S∪O,(N,E)为网络结构描述了变量之间的因果关系,变量之间的影响程度用条件概率表P表示,变量的条件概率可以通过专家知识直接指定或根据历史数据进行统计得到。知道了根节点的先验概率与其他节点的条件概率,就可以得到所有变量的联合概率分布,如下式所示:
p(eii,mpj,ipj,se,aik,oj)=
p(eii)p(mpj|eii)p(mpj,ipj|aik)
p(mpjmpi)p(ipj|mpi)
p(se|mpi,ipj)
p(oj|mpi)p(oj|ipj)
利用上式,可以计算网络中各节点的边缘概率,从而确定先验网络。假设观测到的突发事件的部分信息为E,利用此证据信息更新网络中其他节点的概率,从而可以实现对突发事件的关键状态及其损失后果的预测,具体计算方法如下:
令e∈E为证据信息,假设人们最关心的是突发事件的状态信息与输出信息,则有:
其中P(e)与P(mpi,ipj,oj,e)可通过上面的公式并利用高阶联合概率计算低阶联合概率获得。当网络中节点过多,这时可采用联合树推理算法求解。
5)贝叶斯网络学习与优化:对影响城市安全的突发复杂事件进行贝叶斯网络描述之后,需对其网络进行进一步学习与优化。令G={N,E,P}为突发事件贝叶斯网络,(N,E)为网络结构,N为突发事件贝叶斯网络中的节点集合,E为节点之间的因果关系集合。网络结构学习的目的就是给定节点集合N,得到N中各节点的因果关系集合E,本节主要根据领域专家知识对节点之间的因果关系进行识别;在对所研究的突发事件进行建模前,往往需要咨询多个专家,每个领域专家能够提供多种知识,然而专家们提供的知识存在质量的差别、问题定性的不一致,甚至相互矛盾。这里采取D-S证据合成理论为核心构筑领域知识采集框架,对多个专家给出的网络结构先验知识进行合成,根据事先定义的阀值,消除不一致信息,采纳多个领域专家的共识,形成比较合理的突发事件贝叶斯网络拓扑结构;
6)结果输出:对于目标突发事件贝叶斯网络而言,输入节点I、状态节点S以及输出节点O组成了网络中的节点集合,让领域专家对输入I与状态S、状态S与状态S、状态S与输出O等各节点之间的因果关系进行评价,为每一对节点之间的因果关系分配信度函数。用Cause、Result表示节点a与b有直接的因果关系,Reliability表示某个领域专家对该因果关系分配的信度,请多个专家对各要素之间的因果关系做出判断并给出信度,然后根据以上介绍的证据合成方法进行合成,从中仅选择信度最高(接近1)和最低(接近0)两种知识,确定最终接受的专家知识并形成突发事件贝叶斯网络。根据领域专家知识库,对于同一对节点之间的因果关系,不同的专家分配了不同的信度,使用证据合成理论对知识库中的所有规则进行合成从而形成目标突发事件的贝叶斯网络结构,具体过程为:根据I→S、S→S、S→O的顺序,依次在知识库中查找每种规则;针对每种规则,查找每个专家对该规则分配的信度,接着采用证据合成方法对各领域专家分配的信度进行合成,若结果接近1,则采纳该规则,认为相应的节点之间存在着因果关系,否则认为节点之间相互独立;按照这个过程,对知识库中所有的规则进行合成,最终形成突发事件贝叶斯网络。
Claims (3)
1.一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,其特征在于:突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构,所述分类控制方法包括以下步骤:
1)输入—状态子网包括环境输入变量、控制输入变量与状态变量之间的因果关系,令EI={eii|1≤i≤m}为突发事件的环境输入变量集合,AI={aik|1≤k≤m}为控制输入变量集合,MP={mpj|1≤j≤n}为事件状态变量集合,IP={ipj|1≤j≤m}为承灾体状态变量集合,该网络中的因果关系用条件概率表示为:P(mpj|eii)表示环境输入对事件状态的影响程度;P(mpj,ipj|eik)表示控制输入对事件状态与承灾体状态的影响程度;
2)状态—状态子网络用于描述状态变量之间的因果关系,令MP为事件状态变量集合,IP为承灾体状态变量集合,se为事件的触发状态变量,该网络包含的因果关系用条件概率表示为:设mpi∈MP,p(mpj|mpi)表示事件状态变量之间的影响程度,p(ipj|mpi)表示事件状态变量对承灾体状态变量的影响程度,p(se|mpi,ipj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态;
3)状态—输出子网络包括状态变量与输出变量之间的因果关系。令MP为事件状态变量集合,IP为承灾体状态变量集合,O={o,|1≤j≤m}为输出变量集合,SO={soj|≤j≤p}为与外部环境变量具有作用关系的响应状态变量,LO={lo,|1≤k≤q}为事件损失变量集合,其中O=SO∪LO,该网络包含的因果关系用条件概率表示有p(oj|mpi)与p(oj|ipj),分别表示当事件或承灾体处于特定状态时,突发事件对外部环境的影响或造成特定损失的概率;
4)影响城市安全的突发复杂事件预测的贝叶斯网络:根据1)-3)子网络,令G={N,E,P}为突发事件贝叶斯网络,其中N=I∪S∪O,(N,E)为网络结构描述了变量之间的因果关系,变量之间的影响程度用条件概率表P表示,变量的条件概率通过专家知识直接指定或根据历史数据进行统计得到;知道了根节点的先验概率与其他节点的条件概率,得到所有变量的联合概率分布,如下式所示:
p(eii,mpj,ipj,se,aik,oj)=
p(eii)p(mpj|eii)p(mpj,ipj|aik)
p(mpj|mpi)p(ipj|mpi)
p(se|mpi,ipj)
p(oj|mpi)p(oj|ipj)
利用上式,计算网络中各节点的边缘概率,从而确定先验网络;假设观测到的突发事件的部分信息为E,利用此证据信息更新网络中其他节点的概率,实现对突发事件的关键状态及其损失后果的预测,具体计算方法如下:
令e∈E为证据信息,假设人们最关心的是突发事件的状态信息与输出信息,则有:
其中,P(e)与P(mpi,ipj,oj,e)可通过上面的公式并利用高阶联合概率计算低阶联合概率获得;
5)贝叶斯网络学习与优化:令G={N,E,P}为突发事件贝叶斯网络,(N,E)为网络结构,N为突发事件贝叶斯网络中的节点集合,E为节点之间的因果关系集合,网络结构学习的目的就是给定节点集合N,得到N中各节点的因果关系集合E,根据领域专家知识对节点之间的因果关系进行识别;采取D-S证据合成理论为核心构筑领域知识采集框架,对多个专家给出的网络结构先验知识进行合成,根据事先定义的阀值,消除不一致信息,采纳多个领域专家的共识,形成比较合理的突发事件贝叶斯网络拓扑结构;
6)结果输出:对于目标突发事件贝叶斯网络而言,输入节点I、状态节点S以及输出节点O组成了网络中的节点集合,让领域专家对输入I与状态S、状态S与状态S、状态S与输出O等各节点之间的因果关系进行评价,为每一对节点之间的因果关系分配信度函数。用Cause、Result表示节点a与b有直接的因果关系,Reliability表示某个领域专家对该因果关系分配的信度,然后根据D-S证据合成理论进行合成,从中仅选择信度最高和最低两种知识,确定最终接受的专家知识并形成突发事件贝叶斯网络按照这个过程,对知识库中所有的规则进行合成,最终形成突发事件贝叶斯网络。
2.如权利要求1所述的一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,其特征在于:所述步骤6)中,根据领域专家知识库,对于同一对节点之间的因果关系,不同的专家分配了不同的信度,使用证据合成理论对知识库中的所有规则进行合成从而形成目标突发事件的贝叶斯网络结构,具体过程为:根据I→S、S→S、S→O的顺序,依次在知识库中查找每种规则;针对每种规则,查找每个专家对该规则分配的信度,接着采用证据合成方法对各领域专家分配的信度进行合成,若结果接近1,则采纳该规则,认为相应的节点之间存在着因果关系,否则认为节点之间相互独立。
3.如权利要求1或2所述的一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法,其特征在于:所述步骤4)中,当网络中节点超过预设阈值时,采用联合树推理算法求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310710947.7A CN103729553A (zh) | 2013-12-19 | 2013-12-19 | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310710947.7A CN103729553A (zh) | 2013-12-19 | 2013-12-19 | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103729553A true CN103729553A (zh) | 2014-04-16 |
Family
ID=50453624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310710947.7A Pending CN103729553A (zh) | 2013-12-19 | 2013-12-19 | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103729553A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299169A (zh) * | 2014-09-26 | 2015-01-21 | 华中科技大学 | 一种污水处理系统信息安全在线风险分析方法及系统 |
CN106874928A (zh) * | 2016-12-28 | 2017-06-20 | 中国科学院长春光学精密机械与物理研究所 | 跟踪目标突发关键事件自动判决方法及系统 |
CN107705001A (zh) * | 2017-09-19 | 2018-02-16 | 西南交通大学 | 一种流域突发污染事故信息链建立的方法 |
CN108984898A (zh) * | 2018-07-11 | 2018-12-11 | 北京联创众升科技有限公司 | 一种非常规突发事件的仿真建模方法及装置 |
CN109521299A (zh) * | 2018-11-27 | 2019-03-26 | 河南理工大学 | 一种逆变器智能故障推理的方法 |
CN109800881A (zh) * | 2019-01-15 | 2019-05-24 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
CN111047041A (zh) * | 2019-11-25 | 2020-04-21 | 清华大学 | 基于贝叶斯网络推理模型的犯罪重建方法及装置 |
CN111597331A (zh) * | 2019-12-29 | 2020-08-28 | 东南大学 | 一种基于贝叶斯网络的裁判文书分类方法 |
CN112036653A (zh) * | 2020-09-07 | 2020-12-04 | 江苏金鸽网络科技有限公司 | 一种基于贝叶斯网络的火灾风险预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7225174B2 (en) * | 1999-07-14 | 2007-05-29 | Hewlett-Packard Development Company, L.P. | Investment analysis tool and service for making investment decisions |
CN102999789A (zh) * | 2012-11-19 | 2013-03-27 | 浙江工商大学 | 一种基于隐半马尔科夫模型的数字化城市安全预警方法 |
-
2013
- 2013-12-19 CN CN201310710947.7A patent/CN103729553A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7225174B2 (en) * | 1999-07-14 | 2007-05-29 | Hewlett-Packard Development Company, L.P. | Investment analysis tool and service for making investment decisions |
CN102999789A (zh) * | 2012-11-19 | 2013-03-27 | 浙江工商大学 | 一种基于隐半马尔科夫模型的数字化城市安全预警方法 |
Non-Patent Citations (1)
Title |
---|
董磊磊: "基于贝叶斯网络的突发事件链建模研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 07, 15 July 2010 (2010-07-15), pages 26 - 29 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299169B (zh) * | 2014-09-26 | 2018-02-02 | 华中科技大学 | 一种污水处理系统信息安全在线风险分析方法及系统 |
CN104299169A (zh) * | 2014-09-26 | 2015-01-21 | 华中科技大学 | 一种污水处理系统信息安全在线风险分析方法及系统 |
CN106874928A (zh) * | 2016-12-28 | 2017-06-20 | 中国科学院长春光学精密机械与物理研究所 | 跟踪目标突发关键事件自动判决方法及系统 |
CN106874928B (zh) * | 2016-12-28 | 2020-05-19 | 中国科学院长春光学精密机械与物理研究所 | 跟踪目标突发关键事件自动判决方法及系统 |
CN107705001A (zh) * | 2017-09-19 | 2018-02-16 | 西南交通大学 | 一种流域突发污染事故信息链建立的方法 |
CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
CN108984898A (zh) * | 2018-07-11 | 2018-12-11 | 北京联创众升科技有限公司 | 一种非常规突发事件的仿真建模方法及装置 |
CN109521299B (zh) * | 2018-11-27 | 2020-11-03 | 河南理工大学 | 一种逆变器智能故障推理的方法 |
CN109521299A (zh) * | 2018-11-27 | 2019-03-26 | 河南理工大学 | 一种逆变器智能故障推理的方法 |
CN109800881A (zh) * | 2019-01-15 | 2019-05-24 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN109800881B (zh) * | 2019-01-15 | 2021-11-23 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN111047041A (zh) * | 2019-11-25 | 2020-04-21 | 清华大学 | 基于贝叶斯网络推理模型的犯罪重建方法及装置 |
CN111047041B (zh) * | 2019-11-25 | 2022-05-24 | 清华大学 | 基于贝叶斯网络推理模型的犯罪重建方法及装置 |
CN111597331A (zh) * | 2019-12-29 | 2020-08-28 | 东南大学 | 一种基于贝叶斯网络的裁判文书分类方法 |
CN111597331B (zh) * | 2019-12-29 | 2023-05-02 | 东南大学 | 一种基于贝叶斯网络的裁判文书分类方法 |
CN112036653A (zh) * | 2020-09-07 | 2020-12-04 | 江苏金鸽网络科技有限公司 | 一种基于贝叶斯网络的火灾风险预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103729553A (zh) | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 | |
CN110300018B (zh) | 一种面向对象的电网信息物理系统层次化建模方法 | |
Huang et al. | Modeling cascading failures in smart power grid using interdependent complex networks and percolation theory | |
Lin et al. | Division algorithm and interconnection strategy of restoration subsystems based on complex network theory | |
CN103840967A (zh) | 一种电力通信网中故障定位的方法 | |
CN111798355B (zh) | 一种城市公共安全事件链形式化组织方法及事件链数据库 | |
WO2021164118A1 (zh) | 交直流大电网动态安全风险态势滚动前瞻预警方法及系统 | |
US20230334981A1 (en) | Traffic flow forecasting method based on multi-mode dynamic residual graph convolution network | |
CN111104732A (zh) | 一种基于深度强化学习的机动通信网智能规划方法 | |
CN105303460A (zh) | 一种电网关键节点和关键支路的辨识方法 | |
CN109767352A (zh) | 一种电力信息物理融合系统安全态势评估方法 | |
CN104991549B (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN106485594A (zh) | 一种主配网一体化事故响应决策方法 | |
CN107067134A (zh) | 一种情景序列构建方法及装置 | |
WO2024051822A1 (zh) | 针对分布式电源的多终端协同动态安全分析方法和系统 | |
CN104506137A (zh) | 一种设备故障诊断方法和装置 | |
CN104217251A (zh) | 基于k2算法的装备故障贝叶斯网络预测方法 | |
CN109947806A (zh) | 一种基于案例推理的超高层施工安全事故应急辅助决策方法 | |
Uraon et al. | Analysis of defuzzification method for rainfall event | |
Duan et al. | Assessment methods of network resilience for cyber-human-physical systems | |
CN105354628A (zh) | 一种输电系统鲁棒可用输电能力评估方法 | |
CN104361261A (zh) | 一种基于率模可靠性理论的齿轮泵健康状态评估方法 | |
Marley et al. | An AC-QP optimal power flow algorithm considering wind forecast uncertainty | |
Yang et al. | Application of uncertainty reasoning based on cloud theory in spatial load forecasting | |
CN104505830A (zh) | 时滞电力系统稳定性分析方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140416 |