CN107480895A - 一种基于Bayes增强学习的可靠消费品风险评估方法 - Google Patents

一种基于Bayes增强学习的可靠消费品风险评估方法 Download PDF

Info

Publication number
CN107480895A
CN107480895A CN201710716451.9A CN201710716451A CN107480895A CN 107480895 A CN107480895 A CN 107480895A CN 201710716451 A CN201710716451 A CN 201710716451A CN 107480895 A CN107480895 A CN 107480895A
Authority
CN
China
Prior art keywords
risk
consumer
bayesian network
probability
injury
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
Application number
CN201710716451.9A
Other languages
English (en)
Inventor
刘霞
汤万金
吴倩
李亚
刘碧松
杨跃翔
叶如意
蔡华利
陆小伟
吴芳
段琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN201710716451.9A priority Critical patent/CN107480895A/zh
Publication of CN107480895A publication Critical patent/CN107480895A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于贝叶斯网络的消费品风险评估的方法，解决了消费品安全的关键问题，为消费品的设计和召回提供了数据基础，保障消费者安全和市场稳定。本方法通过对历史数据处理和筛选，定义和建立”消费者‑产品‑环境”多类多层风险因素特征模型、伤害因素关系关联模型、贝叶斯网络的拓扑结构，基于选举EM算法学习建立条件概率表推理计算特定商品伤害事件发生概率，进而实现伤害事件发生的预测，得到某种类型伤害事件发生时的后验概率，最终给出了包括最大风险等级、风险因素关联关系在内的多维信息输出，为消费品设计阶段的风险消除提供了丰富的数据基础。

Description

一种基于Bayes增强学习的可靠消费品风险评估方法
技术领域
本发明涉及消费品安全技术领域，具体地说是一种基于Bayes增强学习的可靠消费品风险评估方法。
背景技术
随着经济社会的不断发展，新材料、新工艺的大量应用，种类繁多、数量庞大的消费品涌入市场；从儿童玩具、饰品到服饰、家用电器等消费品的诸多伤害事件，使得消费者人身健康受到严重威胁，也对我国消费品的国际竞争力与公信力产生了巨大的负面影响。消费品的安全风险消除成为了亟待解决的问题。
造成消费品安全问题频发的关键环节是设计环节；消费品风险评估技术能够为消费品的设计提供先验知识，是目前世界范围内保证消费品安全的重要方法之一，同时也是政府和企业召回管理工作最主要的依据之一。
消费品风险评估是一个复杂的过程，需要考虑的因素很多，包括消费者-产品-环境三类构成的多层风险因素；同时，基于实际案例和伤害场景构建的数据通常不完整和有限的，没有覆盖所有风险因素的信息。因此如何基于有限的多源消费品数据，建立多类多层风险因素之间的因果关系，并实现消费品的风险评估，是消费品安全领域及学术界需要解决的难题。美国、欧盟、日本等发达国家和地区在消费品安全风险评估领域走在世界前列，通过学者的前期研究积累，风险评估方法已成为保障消费品安全的重要技术支撑，并已用相关政府文件进行了规范，开始初步应用。美国风险评估方法主要通过消费者投诉的产品伤害数据，如来源于美国国家电子伤害监测系统(National Electronic InjurySurveillance System，NEISS)的数据，得到消费品伤害发生的概率和严重程度，采用5×3风险矩阵法，综合判定产品安全风险。美国的评估方案使用的风险因素层次不多，定量分析能力比较弱；欧盟消费品安全风险评估采用了定量和定性相结合的方式。欧盟各国正式的定量风险评估方法略有差异，包括斯洛文尼亚诺模图、比利时风险矩阵法、北欧故障代码表Buszard、捷克风险矩阵Ball DJ、英国LACORS商务标准风险评估方案、RAPEX风险矩阵法等等。非正式的定性风险评估方法包括通过利用内部和外部的专家或者委员会、查阅现有的产品标准和法律要求，对消费品安全风险进行判定，此类方法是正式风险评估的有益补充。危险识别采用了伤害场景构建分析的方法，但是场景构建有一定的难度。日本风险评估方法主要采用R-MAP的方法，依据产品和服务的寿命周期，针对开发、设计、制造、销售、使用、报废等各个阶段的特点进行风险评估和召回预警的可视化工具。R-MAP方法没有充分考虑产品-环境-消费者多层风险因素和因素之间的耦合关系。我国在食品、药品、医疗器械等领域已开展了大量产品安全风险评估模型和方法构建的研究和应用，并取得了大量卓有成效的成果。但在消费品安全领域，风险评估仍然处于研究初期，其应用示范还任重道远。
现有技术中已有一些风险评估方法，例如已授权专利CN103514371B、CN103310043B。其中在专利CN103514371B中，针对计划任务执行能力度量与风险评估，建立了马尔科夫链决策过程，并计算最优解，按任务执行的时间单元重复执行计划跟踪与评估，从成功率和耗费时间进行度量和评估；但是在本发明专利针对的目标需求中，是从伤害数据中建立因素相关模型，并训练得到有效的伤害类型分类器，不是最优解的计算评估问题。在专利CN103310043B中，针对复杂产品设计过程，提出了基于多Agent的系统风险评估方法，对复杂产品过程进行有效建模，评估方法具有自适应性和动态演变的特性；但是该专利中所设计的模型和建模方法是基于事件对象的，都不能用于本专利要实现的消费品风险评估中，在风险评估模型中要处理的是造成风险的因素向量。因此上述已授权专利所述的方法中，没有考虑风险评估的数据基础，而本专利基于伤害数据库建立贝叶斯网络，能应对数据的不完整性和数据集的可扩展性；上述专利没有考虑建立造成风险的因素间的因果关系模型，本发明专利基于“消费者-产品-环境”建立多类因素库，并通过将因素映射到贝叶斯网络中，实现因素耦合关系的建模，上述专利提供的评估不适合基于伤害历史数据实现风险评估，本专利基于增强学习，自适应得到数据集不同的处理权值，提高了评估的准确性。
综上所述，现有的风险评估没有充分考虑到消费者-产品-环境多类因素，无法分析得到某些风险因素的随机变化下，引起其他相关因素可能的变化，推断伤害类别准确率低。难以满足消费品生产厂家设计时风险评估的要求，也难以提供用于消费品召回的依据。实际安全需求迫切需要在深入分析消费风险因素的耦合关系基础上，创新性的开发一种可靠的消费品评估的方法，实现消费品的风险等级的分析，解决当前消费品评估效率低，普适性差的问题。
发明内容
本发明提供了一种基于Bayes增强学习的可靠消费品风险评估方法。在分析”消费者-产品-环境”中造成消费品安全风险的所有因素基础上，结合消费品伤害的历史数据，刻画风险因素之间的因果关系，并在得到测试用消费品、使用环境以及消费者的特征取值范围后，修改风险因素相关的值，利用概率推理得到消费品产生不同伤害类型的概率。本发明能够对各种伤害场景的多因素风险进行评估，便于为消费品设计提供先验知识和消除风险的关键因素，同时为流向市场的消费品召回提供风险数据。
为了达到上述目的，本发明方案是通过以下技术方案实现的：
本发明提供了一种基于Bayes增强学习的可靠消费品风险评估方法，包括：从”消费者-产品-环境”构成的动态安全伤害场景出发，筛选影响消费品风险伤害产生的多类多层因素，即得到有向无环图的贝叶斯网络中的节点集和初始化边集合，即<V，E0>；基于多源的风险伤害历史数据，进行清洗和统计分析，确定影响消费品使用安全特征的取值范围和先验概率分布，即得到P0(V)；构建风险因素交互作用与伤害机理发生的关联关系模型，即通过学习训练得到贝叶斯网络的结构和参数，最终建立包含足够条件概率的矩阵CPT；通过增强学习算法推导各种消费品在特定使用场景Vi中会产生的伤害类型Harmj及其发生概率P(Harmj|Vi)；通过对伤害类型的量化并映射到风险评估矩阵，判定消费品造成的最大的风险等级。
贝叶斯网络是一种刻画事件之间因果关系的概率图模型，适合对随机事件以及引起的链式反应过程进行建模分析。本发明从实际的消费品安全的参与者：消费者-产品-环境出发，揭示影响消费品使用安全的多类外部因素，将所有的因素定义为贝叶斯网络的节点，输出是消费品可能带来的伤害。按照专家定义的因果关系，以及基于积差定义的相关性模型建立初始的贝叶斯多层拓扑结构，通过结构和参数学习，更新贝叶斯网络，能准确地描述因素之间相互引发、干涉、转化和耦合等复杂关系，并通过打分机制，准确地推断出风险产生的伤害和风险等级。
作为一种改进，筛选影响消费品风险伤害产生的多类多层因素的过程，包括：
(1)通过专家访谈，文献调研和分析标准的方式，详细研究产生消费品风险的所有因素。消费品安全伤害场景由消费者-产品-环境共同构成动态系统，一般情况下独立的场景构成因素不能导致伤害事情的发生，在各因素相互耦合作用下，不同消费者、不同产品、不同使用环境会引发不同的伤害场景。产品本身和产品使用的环境会决定产品的内在安全性，最终造成风险是因为消费者的使用和使用的方式决定的。因此，产品本身的风险因素集P分成了产品属性集PA和产品危害因素集PD，环境E包括影响消费者使用安全的特征集EC以及影响消费品安全性的特征集EP；消费者C的风险因素包括是否会使用消费品的特征集合CIF，以及是否能正确地使用消费品的特征集合CU。从而定义了贝叶斯网络中的节点V＝{P，E，C}。
(2)利用经验知识，融合最小二乘法，评估伤害因素之间的因果关系的影响程度。任意两个结点Vi和Vj之间相互依赖，即存在p(Vi|Vj)≠0，就可以建立Vi和Vj之间有向边Eij。根据最小二乘法，Vi＝Xi＝{xi1，xi2，…..xin}，其中xin是第i个特征属性的n个历史数据。Vj＝Xj＝{xj1，xj2，…..xjn}，影响程度向量定义为B＝{b1，b2，…bn}＝(Vi’Vi)-1(Vi’Vj)，bj(j∈[1，n])的绝对值越大，因素对之间的影响越大。以此作为建立贝叶斯网络的依据，得到了初始的有向边集合E0，从而建立初始有向无环图S0＝{V，E0}。
作为进一步改进，对多源历史消费品伤害数据进行清洗和统计分析，确定影响消费品使用安全特征的取值范围和先验概率分布，包括：
(1)原始的消费品伤害数据D’来源很多，如产品设计、机械稳定性、化学成分、操作、使用说明(包括可能的风险管理建议)、产品针对的消费者类型(或非针对的消费者类型)、检检测报告、意外统计数据、欧盟伤害数据库(IBD)、消费者投诉、使用产品时不同行为以及产品召回的信息等。历史记录项不全，数据一致性差。为了避免对度量单位选择的依赖性，采用最大最小规范化将数据标准归一化处理。假设minX，maxX分别表示特征X的最小值和最大值，最大-最小规范化通过计算
把X的值xi映射到区间中的x′i，实现了数据取值范围的一致性。
用k-mean聚类方法检测缺失值、异常数据和噪声；并在后续的结构学习中，通过贝叶斯回归方法，基于推理修正缺失数据。K-mean算法把n个对象分成k簇，使簇内具有较高的相似度，而簇间的相似度较低；采用的准则为函数平方误差准则，定义如下：
Err是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值。
通过上述步骤得到了预处理后的历史数据样本集D。
(2)在预处理得到的样本集D中，计算结点集V中定义的所有的特征变量Xi的每个取值状态定义为K是可能取值的个数。的先验概率消费为 表示在样本集D中第i个特征取为第j个值的次数。因此，有因果关系的两个特征的先验概率分布为这样就定义了初始结构的贝叶斯网络的先验概率P0(V)。
作为一种优选，构建风险因素交互作用与伤害机理发生的关联关系模型，即通过学习训练得到贝叶斯网络的结构和参数，最终建立包含足够条件概率的矩阵CPT，包括：
(1)结构学习。根据给定的样本集D，计算每种可能结构S的后验概率p(S|D)，后验概率越大说明网络结构越符合样本数据。但是，随机变量的个数较多时，由这些变量组成的有向无环图的数目相当巨大。本发明采用MCMC算法建立一个平稳分布是后验概率P(S|D)的马尔科夫链，得到分布P(V)的样本，基于这些样本做出各种统计推断。已知S是一已知的贝叶斯网络结构，nbd(S)对S实行以下边操作：删除边，增加边，改变边方向，得到的图的集合，称之为S的邻近域，#(nbd(S))是S的邻近域中的元素个数。
令S’∈nbd(S)，从S转移到S’的概率为：
按照转移概率调整贝叶斯网络的结构。
(2)参数学习。采用EM算法，利用当前的贝叶斯网络结构和参数计算得到网络中每条边的权重θijk表示当前结点Xi＝k样本中缺省数据的有效取样大小的期望值。Xijk表示当前结点Xi取k值，其父结点取j情况下的样本的数量。EM算法得到有限取样大小的期望值：E(Xijk)，并计算当前贝叶斯网络的参数θijk，θijk＝P(Xi＝k|π(Xi)＝j)表示当前结点Xi＝k，父结点π(Xi)＝j的条件慨率，即得到贝叶斯网络模型各结点的CPT。在贝叶斯网络进行推理的过程中，主要是要计算由贝叶斯各结点组成的随机向量对应的联合概率分布，即
S是贝叶斯网络的结构；X1，X2，...，Xn是S中的结点，即特征随机变量。V＝{X1，X2，...，Xn}，πi(i∈[1，n])表示S的某个随机变量Xi对应的父结点集。
作为一种进一步的优选，本发明采用在贝叶斯网络推理基础上利用增强学习算法，提高推理准确性，推导各种消费品在特定使用场景Vi中会产生的伤害类型Harmj及其发生概率P(Harmj|Vi)。包括：
(1)贝叶斯网络的结构是可以通过学习历史伤害数据，训练得到的。使用原始记录不同，会得到不同的贝叶斯网络结构Si。不同网络结构对伤害的推理结果会不同，也有了不同的准确率。
(2)本发明采用AdaBoost增强学习的算法，把多个不同的决策树用一种非随机的方式组合起来，有效地提高风险评估的准确度。整个Adaboost迭代算法就3步。
(2.1)初始化训练数据的权值分布。如果有N个样本，则每一个训练样本最开始时都被赋予相同的权值：1/N。
(2.2)训练弱分类器。具体训练过程中，如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它的权值就被降低；相反，如果某个样本点没有被准确地分类，那么它的权值就得到提高。然后，权值更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
(2.3)将训练得到的分类器组合成强分类器。加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，否则较小。
(3)基于增强学习算法推理预测消费品可能带来的伤害类型Harmj及其发生概率P(Harmj|Vi)；
作为一种技术方案的改进，通过对伤害类型的量化并映射到风险评估矩阵，判定消费品造成的最大的风险等级。所述的风险等级判定是通过风险评估矩阵的定量分析模块实现的。风险等级定义为集合Cr＝{S：严重风险，M：中等风险，L：低风险，A：可容许风险}；消费品安全伤害发生的概率r∈[0，1.2]和严重程度Lr∈{1，2，3，4}，建立r*Lr取值与实际策略值的分段映射关系f：r*Lr-＞Cr。
本发明的优点在于：
①建立了风险因素库，这是一个改进和创新，为消费品的风险评估提供了分析基础。在步骤S11中，基于专家经验、讨论，和原始的数据集D’筛选影响消费品风险伤害产生的多类多层因素，最终建立了消费者-产品-环境动态系统下的多类因素库V＝{P，E，C}。
②充分利用消费品伤害历史数据集D’，从真实的伤害数据中建立有效的风险伤害分类器。本专利基于贝叶斯网络建立基本伤害分类器，这是一个优选。贝叶斯网络的节点与因素库中的元素一一对应，有向边与因素之间的因果关系一一对应，即可以应对历史数据集的不完整，也可以适应历史数据集的扩展。步骤S12，从D’中获取因素之间的相关关系，从而建立贝叶斯网络初始的边集合。步骤S21是对数据集D进行数据的预处理和清洗，形成了有效的数据集D。步骤S22，从D中获取贝叶斯网络的先验概率，即获得每个特征值取特定值的出现频次。最终利用数据建立了贝叶斯网络节点集，有向边集，以及先验概率。
③建立了高效的强分类器，能够准确地实现待评估消费品可能带来的伤害类型分类，并同时确认造成伤害的原因和原因之间耦合关系。基于贝叶斯网络的基本分类器的建立是采用了优选的算法。在步骤S31中采用马尔科夫-蒙特卡罗算法(MCMC)，实现贝叶斯网络的结构学习，即更新贝叶斯网络的拓扑结构；在步骤S32中采用了EM算法，实现了贝叶斯网络的参数学习，即得到了有向边的权值，也就是条件概率表。为了在有限的历史数据集的基础上提高分类的准确性，采用优选的算法AdaBoost。通过更新训练数据的权值分布和基本分类器的权值，最终建立了强分类器，如步骤S4所述。
④通过风险评估的量化，能更精确地描述风险的等级。这是一个改进，如步骤S5所述，分别对伤害造成的严重程度进行了1-4的量化，同时修正了伤害类型出现概率的量化数据，定量描述了风险等级的定义。
附图说明
图1本发明涉及的评估消费品风险等级的贝叶斯网络的结构示意图；
图2本发明涉及的消费品风险评估方法实施的流程图；
图3基于贝叶斯网络的增强学习算法原理图；
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明提供了一种基于Bayes增强学习的可靠消费品风险评估方法，从”消费者-产品-环境”构成的动态安全伤害场景出发，筛选影响消费品风险伤害产生的多类多层因素；各因素的不同取值，会造成有因果关系的相关因素状态产生变化，最终使得特定特征的消费者使用消费品时会带来不同的风险伤害。推断消费品风险的贝叶斯网络的个节点多层因素与作为输出结果的伤害类型之间的多层拓扑结构。产品本身的风险因素集P分成了产品属性集PA和产品危害因素集PD，环境E包括影响消费者使用安全的特征集EC以及影响消费品安全性的特征集EP；消费者C的风险因素包括是否会使用消费品的特征集合CIF，以及是否能正确地使用消费品的特征集合CU。风险带来的伤害类型最终是基于消费品本身在特定环境下的安全性，以及特定消费者是否会使用，以及正确使用决定的。
如图2所示，本发明提供了一种基于Bayes增强学习的可靠消费品风险评估方法，包括：风险因素分析，贝叶斯网络初始化，模型设计，基于增强学习的贝叶斯网络分类器，消费品风险评估五个步骤，具体的实施如下：
步骤1：风险因素分析，建立影响消费品风险评估的因素库，得到贝叶斯网络中的节点集和初始化边集合，即<V，E0>；
步骤1.1：通过专家访谈，文献调研和分析标准的方式，详细研究产生消费品风险的所有因素。消费品安全伤害场景由消费者-产品-环境共同构成动态系统，不同消费者、不同产品、不同使用环境会引发不同的伤害场景；因此消费品风险因素库包括产品本身的风险因素集P，环境风险因素E，以及消费者的风险因素C。消费品在特定的环境下存在本质的安全风险，消费者是否使用以及是否能正确使用，会最终产生不同风险等级。消费品风险因素定义了用于消费品风险评估的贝叶斯网络中的结点集V＝{P，E，C}。
步骤1.2：利用专家经验知识，建立明显的风险因素之间的因果关系；同时利用历史数据记录，根据最小二乘法，评估伤害因素之间的因果关系的影响程度。任意两个结点Vi和Vj之间存在关系p(Vi|Vj)≠0，就可以建立Vi和Vj之间有向边Eij。根据最小二乘法，Vi＝{xi1，xi2，…..xin}，其中xin是第i个特征属性的n个历史属性值。Vj＝{xj1，xj2，…..xjn}，影响程度向量定义为B＝{b1，b2，…bn}＝(Vi’Vi)-1(Vi’Vj)，bj的绝对值越大，因素对之间的影响越大。人工设定阈值δ，if|bj|>δ，说明两个因素之间有因果关系，在描述这两个结点之间会存在有向边Eij。
上述结点和有向边的建立，得到初始有向无环图S0＝{V，E0}，建立了初始的贝叶斯网络的结构。
步骤2：贝叶斯网络初始化。基于多源的风险伤害历史数据，进行清洗和统计分析，确定影响消费品使用安全特征的取值范围和先验概率分布，即得到P0(V)；
步骤2.1：原始的消费品伤害数据来源很多，包括产品针对的消费者类型(或非针对的消费者类型)、检检测报告、意外统计数据、欧盟伤害数据库(IBD)、消费者投诉、使用产品时不同行为以及产品召回的信息等。为了解决数据一致性差的问题，避免对度量单位选择的依赖性，本发明采用最大最小规范化将数据标准归一化处理。假设minX，maxX分别表示特征X的最小值和最大值，最大-最小规范化通过计算
进而把X的属性值xi映射到区间中的x′i。
步骤2.2：针对多源数据进行数据分析，并在后续模型设计中增加相应处理机制实现数据的清洗。采用K-Means聚类方法检测缺失值、异常数据和噪声；具体的K-Means算法如下：
(1)从数据集D＝{d1，d2，…，dn}随机选择k(k＝4，为风险等级)个种子点，形成质心集Centroid＝{Cp1，Cp2，…，Cpk}；排除质心后的数据集为0＝{o1，o2，…，om}。随机选择种子点的计算步骤如下：
(1.1)随机挑一个点当种子点；对于每个点，计算其和最近的一个种子点的距离Dj，并保存在一个数组中，然后把这些距离加起来得到sum(Dj)；
(1.2)再取一个随机值，用权重方式计算下一个种子点。即先取一个能落在sum(Dj)中的随机值Rand，然后用Rand-＝D，知道＜＝0；此时的点就是一个种子点；
(1.3)重复(1.2)，直到所有k个种子点都被选出来。
(2)对集合0中的每个数据点oi，计算oi到Cpj(j＝1，2，…，k)之间的距离得到了一组距离Si＝{s1，s2，…，sk}，计算Si中的距离最小值，则数据点就属于该最小距离值对应的质心。距离的计算采用明可夫斯基距离公式如下：
(3)根据每个质心所包含的数据点的集合，重新计算得到一个新的质心。如果新质心和原来质心之间的距离达到某个阈值，即收敛，算法终止；否则需要迭代(2)～(3)步骤。
步骤2.3：在数据分析后得到的样本集D中，计算结点集V中定义的所有的特征变量Xi的每个取值状态定义为K是可能取值的个数。的先验概率消费为 表示在样本集D中第i个特征取为第j个值的次数。这样就定义了初始结构的贝叶斯网络的先验概率P0(V)。同时也得到了具有因果关系的两两特征间先验概率分布为
步骤3：模型设计。构建风险因素交互作用与伤害机理发生的关联关系模型，即通过学习训练得到贝叶斯网络的结构和参数，最终建立包含足够条件概率的矩阵CPT。
步骤3.1：结构学习。根据给定的样本集D，计算每种可能结构S的后验概率p(S|D)，后验概率越大说明网络结构越符合样本数据。利用MCMC算法实现结构学习的具体步骤如下：
步骤3.1.1：初始化贝叶斯网络结构S0，是基于步骤2获取的，无法确认因果关系的结点之间缺省是不存在边。
步骤3.1.2：发明中采用的MCMC方法合并了遗传算法中的遗传操作和模拟退火，模拟一个马尔可夫链集群，通过变异、交叉和选择进行更新，避免了局部结构最优的学习。定义贝叶斯网络的结构为矩阵MS(i，j)(i，j＝1，2，…，N)，矩阵中的项取值0或者1，如果结点vi和vj之间存在一条边vi->vj，则MS(i，j)＝1，否则MS(i，j)＝0。染色体集合为{MS1，MS2，…..，MSi，……，MSN}。MSi是构成染色体的基因。xi是一个染色体基因，i是基因编号，温度ti与xi相对应，是个象征意义。用波尔兹曼分布函数构造xi的退火函数如下f的定义。其中，a，b∈(0，1)，g(xi)是用xi基因的评分构造的函数。
用伽马函数，i是基因的编号，k是染色体中基因个数
步骤3.1.3：定义了描述贝叶斯网络结构与数据拟合度的评分函数。θ*是贝叶斯网络中的边参数，m是样本数量。因此下式第1项是模型S的优参对数似然度，度量结构S和数据D的拟合程度；第2项是模型复杂度的罚项。
步骤3.1.4：变异。变异操作包括边的增加、删除和反方向。对应MS矩阵中的对应项的值发生变化。利用Metropolis-Hastings取样以概率min(1，rm)更新染色体中的基因。
yi是基因xi变异后的基因，T是xi变异为yi后的评分对数似然值的变化，p用来求得评分值。
步骤3.1.5：交叉。交叉操作对换2个染色体基因中响应变的0/1。2个贝叶斯网络S1和S2中相应结点x和y的边互换贝叶斯网染色体中的MS1(x，y)、MS2(x，y)和MS1(y，x)、MS2(y，x)的值，交叉需要保证边的变化不回产生环。取样以概率min(1，rc)更新染色体中的基因。
len是染色体中基因个数，cro_len是进行交叉操作的基因的个数，xi’，yi’是基因xi，yi变进行交叉操作的基因个数，p函数求得评分值。
步骤3.2：参数学习。采用EM算法，利用当前的贝叶斯网络结构和参数计算得到网络中每条边的权重θijk表示当前结点Xi＝k样本中缺省数据的有效取样大小的期望值。Xijk表示当前结点Xi取k值，其父结点取j情况下的样本的数量。EM算法得到有限取样大小的期望值：E(Xijk)，并计算当前贝叶斯网络的参数θijk，θjk＝P(Xi＝k|π(Xi)＝j)表示当前结点Xi＝k，父结点π(Xi)＝j的条件慨率，即得到贝叶斯网络模型各结点的CPT。求解参数过程如下：
步骤3.2.1：E步骤，利用状态t的贝叶斯网络参数和输入的样本数据计算有效取样大小的期望值E(Xijk|θt)；
步骤3.2.2：M步骤，将期望值E(Xijk|θt)代替贝叶斯网络中的缺省的项Xijk，重新计算t+1状态下的结点间参数。
步骤3.2.3：重复步骤3.2.1的E步骤，3.2.2的M步骤，直到收敛。
最终得到贝叶斯各结点组成的随机向量对应的联合概率分布，即
S是贝叶斯网络的结构；X1，X2，...，Xn是S中的结点，即特征随机变量。V＝{X1，X2，...，Xn}，πi(i∈[1，n])表示S的某个随机变量Xi对应的父结点集。
步骤4，基于增强学习的分类器设计。通过增强学习算法推导各种消费品在特定使用场景Vi中会产生的伤害类型Harmj及其发生概率P(Harmj|Vi)。
步骤4.1：基于贝叶斯网络建立的分类器，对伤害类型的识别的效果不能完全满足推断准确性的要求，在已经实现的网络测试中分类的准确性大约70％，为了得到更好的分类效果，本发明采用了增强学习的算法，实现了多个贝叶斯网络分类器的集成。
步骤4.2：本发明采用了AdaBoost增强学习的算法，把多个不同的决策树用一种非随机的方式组合起来，有效地提高风险评估的准确度。基于AdaBoost增强学习的算法的强分类器的基本结构如图3所示。
1)从数据集D中抽取n个风险因素V＝{X1，X2，…，Xn}；作为训练基本贝叶斯网络分类器的输入。同时定义训练数据的第m次输入时的权值分布为
2)ym(V)是第m个分类器在第m次训练是的输出向量；即得到了第m个基本分类器。接着通过迭代学习产生第m+1个基本的分类型，每次迭代中，提高被第m次分类错误的数据样本的权值，降低被正确分类的数据样本的权值。
3)M是对应的弱分类器的个数，每隔分类器也有权值αm，将M个基本分类器通过线性组合得到强分类器。
步骤4.3AdaBoost增强学习的算法实现。
步骤4.3.1：初始化训练数据的权值分布，设训练数据集有均匀的权值分布，即每个训练样本在基本分类器的学习中作用相同。ω1＝{ω11，...，ω1i，..，ω1N}，其中
步骤4.3.2：反复学习基本分类器，再每一轮m＝1，2，…，M顺次执行如下操作。使用当前权值分布ωm的训练集学习得到基本分类器Sm。并计算Sm的分类误差率如下，ωmi是第m轮中第i个样本的权值，其中
步骤4.3.3：计算基本分类器Sm(x)的系数表示再最终分类器中的重要性。分类误差率越小的基本分类器在最终分类器中的作用越大。
步骤4.3.4：更新训练数据集的权值分布。ωm+1＝{ωm1，...，ωmi，...，ωmN
保证在Sm(x)分类器误分类样本的权值，在Sm+1(x)中得以扩大，起更大的作用。
步骤4.3.4：构建基本分类器的线性组合，得到最终分类器：
系数αm表示了基本分类器的重要性，所有αm之和并不为1。
步骤4.4：基于增强学习算法推理预测消费品可能带来的伤害类型Harmj及其发生概率P(Harmj|Vi)；
步骤5：消费品风险评估。通过对伤害类型的量化并映射到风险评估矩阵，判定消费品造成的最大的风险等级。
基于”产品-环境-消费者”三类因素互动的随机过程的取样，推断三类因素互动场景中导致伤害事件类型发生的概率。并用专家系统将某种可能的伤害类型映射为四级严重程度Li∈{1，2，3，4}。消费品安全i类型伤害发生的可能性ri是在伤害发生的概率基础上增加了经验的权值，ri∈[0，1.2]。风险等级定义为集合Cr＝{S：严重风险，M：中等风险，L：低风险，A：可容许风险}；风险等级的判定是建立所有可能的ri*Li取值，i∈[1.42]，并根据定量策略建立到Cri的映射关系。
最终的风险等级是同时为了在消费品设计阶段提供消除风险的建议，风险等级判断会提供造成最大风险的关键因素和因素间的关联关系。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于Bayes增强学习的可靠消费品风险评估方法，其特征在于包裹如下步骤：
S1、对于待评估消费品，从“消费者-产品-环境”构成的动态安全伤害场景出发，筛选影响所述待评估消费品风险伤害产生的多类多层因素，得到有向无环图的贝叶斯网络中的节点集和初始化边集合<V，E0>，其中V表示节点集；E0表示初始的有向边集合；
S2、基于多源的风险伤害历史数据，进行清洗和统计分析，确定影响消费品使用安全特征的取值范围和先验概率分布P0(V)；
S3、构建风险因素交互作用与伤害机理发生的关联关系模型，通过学习训练得到贝叶斯网络的结构和参数，最终建立包含足够条件概率的矩阵CPT，形成基于贝叶斯网络的基本分类器；
S4、通过增强学习算法建立强分类器，评估各种消费品在使用场景特定特征集Vi中会产生的伤害类型Harmj及其发生概率P(Harmj|Vi)，i为特定场景的序号，j为伤害类型的序号；
S5、通过对伤害类型严重程度的量化并映射到风险评估矩阵，判定所述待评估消费品造成的最大的风险等级，以及提供风险产生的主要因素。
2.根据权利要求1所述的基于Bayes增强学习的可靠消费品风险评估方法，其特征在于，所述的步骤S1中采用了定量定性相结合的方式，建立消费品风险因素库，具体为：
S11、将产品因素集P分成产品属性集PA和产品危害因素集PD；将环境因素集E分成影响消费者使用安全的特征集EC和影响消费品安全性的特征集EP；将消费者因素集C分成是否会使用消费品的特征集合CIF和是否能正确地使用消费品的特征集合CU，从而定义贝叶斯网络中的节点集V＝{P，E，C}；
S12、利用经验知识，融合最小二乘法，评估伤害因素之间的因果关系的影响程度，令p(Vi|Vj)表示特征Vj存在是Vi存在的概率，如存在p(Vi|Vj)≠0，则任意两个节点Vi和Vj之间相互依赖，就可以建立Vi和Vj之间有向边Eij，根据最小二乘法，Vi＝{xi1，xi2，…，xin}，其中xin是第i个特征属性的n个历史数据，Vj＝{xj1，xj2，…，xjn}，影响程度向量定义为B＝{b1，b2，…，bn}＝(Vi’Vi)-1(Vi’Vj)，bj的绝对值越大，因素对之间的影响越大，以此作为建立贝叶斯网络拓扑的依据，得到初始的有向边集合E0，无法确认因果关系的因素之间初始定义为无边连接；进而得到初始有向无环图S0＝{V，E0}。
3.根据权利要求1所述的基于Bayes增强学习的可靠消费品风险评估方法，其特征在于，所述的步骤S2中采用了归一化统一数据的属性值，基于统计分析，生成风险因素的先验概率，具体步骤包括：
S21、对原始的消费品伤害数据D’采用最大最小规范化将数据标准归一化处理，假设minX，maxX分别表示特征X的最小值和最大值，则最大-最小规范化通过公式(1)计算
<mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>min</mi> <mi>A</mi> </msub> </mrow> <mrow> <msub> <mi>max</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>min</mi> <mi>A</mi> </msub> </mrow> </mfrac> <mrow> <mo>(</mo> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>_</mo> <msub> <mi>max</mi> <msub> <mi>x</mi> <mi>i</mi> </msub> </msub> <mo>-</mo> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>_</mo> <msub> <mi>min</mi> <msub> <mi>x</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>_</mo> <msub> <mi>min</mi> <msub> <mi>x</mi> <mi>i</mi> </msub> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
以把特征X的值xi映射到区间中的x′i，
用k-mean聚类方法检测缺失值、异常数据和噪声；并在后续的结构学习中，通过贝叶斯回归方法，基于推理修正缺失数据，具体为：采用K-mean算法把n个对象分成k簇，使簇内具有较高的相似度，而簇间的相似度较低；采用公式(2)定义的函数平方误差准则进行分类，
<mrow> <mi>E</mi> <mi>r</mi> <mi>r</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </munder> <mo>|</mo> <mi>p</mi> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中Err是历史伤害数据库中所有数据对象的平方误差的总和，p是伤害数据空间中的特征点，mi是簇Ci的平均值；
经过以上一致化，异常数据处理后得到的消费品伤害数据集合，即样本集D，作为之后建立分类器的数据基础；
S22、在预处理得到的样本集D中，计算节点集V中定义的所有的特征变量Xi的每个取值状态K是可能取值的个数，的先验概率为 表示在样本集D中第i个特征取为第j个值的次数，进而确定初始结构的贝叶斯网络的先验概率分布P0(V)，第i个特征取为第j个值的频次}，同时也确定了初始的有向边的权值，即具有因果关系的两个特征的先验概率分布，满足
4.根据权利要求1所述的基于Bayes增强学习的可靠消费品风险评估方法，其特征在于，所述的步骤S3中通过学习训练得到贝叶斯网络的结构和参数，最终建立包含足够条件概率的矩阵CPT，即训练得到基本分类器，具体步骤包括：
S31、结构学习：根据给定的样本集D，计算每种可能的贝叶斯网络结构S的后验概率p(S|D)，包括采用MCMC算法建立一个平稳分布是后验概率P(S|D)的马尔科夫链，得到分布P(V)的样本，基于所述样本做出统计推断，对所述每种可能的结构S进行nbd(S)操作，所述nbd(S)操作包括删除边、增加边、改变边方向，进而得到的图的集合，称之为S的邻近域，#(nbd(S))是S的邻近域中的元素个数；令S’∈nbd(S)，按照公式(3)计算从S转移到S’的概率R，
<mrow> <mi>R</mi> <mo>=</mo> <mfrac> <mrow> <mo>#</mo> <mrow> <mo>(</mo> <mi>n</mi> <mi>b</mi> <mi>d</mi> <mo>(</mo> <mi>S</mi> <mo>)</mo> </mrow> <mo>)</mo> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>|</mo> <mi>D</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mrow> <mo>#</mo> <mi>n</mi> <mi>b</mi> <mi>d</mi> <mrow> <mo>(</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>)</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>S</mi> <mo>|</mo> <mi>D</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>|</mo> <mi>D</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>S</mi> <mo>|</mo> <mi>D</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>|</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> </mrow> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>|</mo> <mi>S</mi> <mo>)</mo> </mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>S</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>|</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> </mrow> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>D</mi> <mo>|</mo> <mi>D</mi> <mi>S</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
按照转移概率调整贝叶斯网络的结构；
S32、参数学习：采用EM算法，利用当前的贝叶斯网络结构和参数计算得到网络中每条边的权重θijk表示当前结点Xi＝k样本中缺省数据的有效取样大小的期望值，Xijk表示当前结点Xi取k值，其父结点取j情况下的样本的数量，EM算法得到有限取样大小的期望值：E(Xijk)，并计算当前贝叶斯网络的参数θijk，θijk＝P(Xi＝k|π(Xi)＝j)表示当前结点Xi＝k，父结点π(Xi)＝j的条件慨率，得到贝叶斯网络模型各结点的CPT，其中在贝叶斯网络进行推理的过程中，通过公式计算由贝叶斯各结点组成的随机向量对应的联合概率分布p(X1，X2，…，Xn|S)
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>X</mi> <mi>n</mi> </msub> <mo>|</mo> <mi>S</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Pi;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>V</mi> <mo>-</mo> <mo>{</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>}</mo> <mo>+</mo> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> </mrow> </msub> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>X</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>V</mi> <mo>-</mo> <mo>{</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>}</mo> </mrow> </msub> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>X</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
S是贝叶斯网络的结构；X1，X2，...，Xn是S中的结点，即特征随机变量，V＝{X1，X2，...，Xn}，πi表示S的某个随机变量Xi对应的父结点集，其中i∈[1，n]。
5.根据权利要求1所述的基于Bayes增强学习的可靠消费品风险评估方法，其特征在于，所述的步骤S4中贝叶斯网络推理基础上利用增强学习算法，建立强分类器，推导各种待评估消费品在特定使用场景Vi中会产生的伤害类型Harmj及其发生概率P(Harmj|Vi)，具体步骤包括：
S41、初始化训练数据的权值分布：如果有N个样本，则每一个训练样本最开始时都被赋予1/N的权值；
S42、训练弱分类器：具体训练过程中，如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它的权值就被降低；相反，如果某个样本点没有被准确地分类，那么它的权值就得到提高，权值更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去；
S43、将训练得到的分类器组合成强分类器：加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用；
S44、基于增强学习算法建立的强分类器，推理预测消费品可能带来的伤害类型Harmj及其发生概率P(Harmj|Vi)。
6.根据权利要求1所述的基于Bayes增强学习的可靠消费品风险评估方法，其特征在于，所述的步骤S5中所述判定消费品造成的最大的风险等级是通过风险评估矩阵的定量分析模块实现的，风险等级定义为集合Cr＝{S：严重风险，M：中等风险，L：低风险，A：可容许风险}；消费品安全伤害发生的概率r∈[0，1.2]和严重程度Lr∈{1，2，3，4}，建立r*Lr取值与风险等级的分段映射关系f：r*Lr-＞Cr。
CN201710716451.9A 2017-08-19 2017-08-19 一种基于Bayes增强学习的可靠消费品风险评估方法 Pending CN107480895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710716451.9A CN107480895A (zh) 2017-08-19 2017-08-19 一种基于Bayes增强学习的可靠消费品风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710716451.9A CN107480895A (zh) 2017-08-19 2017-08-19 一种基于Bayes增强学习的可靠消费品风险评估方法

Publications (1)

Publication Number Publication Date
CN107480895A true CN107480895A (zh) 2017-12-15

Family

ID=60601014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710716451.9A Pending CN107480895A (zh) 2017-08-19 2017-08-19 一种基于Bayes增强学习的可靠消费品风险评估方法

Country Status (1)

Country Link
CN (1) CN107480895A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090515A (zh) * 2017-12-27 2018-05-29 南京邮电大学 一种基于数据融合的环境等级评估方法
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN108234463A (zh) * 2017-12-22 2018-06-29 杭州安恒信息技术有限公司 一种基于多维行为模型的用户风险评估与分析方法
CN108510185A (zh) * 2018-03-29 2018-09-07 北京紫晶立方科技有限公司 道路车辆快速危害分析与风险评估方法
CN109064179A (zh) * 2018-07-11 2018-12-21 成都理工大学 移动支付安全态势感知系统
CN109522962A (zh) * 2018-11-23 2019-03-26 杭州电子科技大学 一种化工厂安全定量评估方法
CN109978396A (zh) * 2019-03-29 2019-07-05 深圳市人民医院 一种风险事件的早期筛查系统及方法
CN110020862A (zh) * 2018-01-10 2019-07-16 中国移动通信有限公司研究院 一种业务风险评估方法、装置和计算机可读存储介质
CN110598969A (zh) * 2019-06-25 2019-12-20 大连海事大学 一种海上通道突发事件风险预警方法
CN110688306A (zh) * 2019-09-05 2020-01-14 国家计算机网络与信息安全管理中心 基于概率图模型的移动应用风险等级推理评估方法及装置
CN110826237A (zh) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN111048192A (zh) * 2019-12-10 2020-04-21 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN111598352A (zh) * 2020-05-25 2020-08-28 哈尔滨工业大学 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112330476A (zh) * 2020-11-27 2021-02-05 中国人寿保险股份有限公司 一种团单保险业务预测方法及装置
CN112464164A (zh) * 2020-11-25 2021-03-09 北京航空航天大学 一种人因可靠性评估的方法、装置和信息处理设备
CN113361982A (zh) * 2021-08-11 2021-09-07 奇安信科技集团股份有限公司 网络安全风险评估方法及装置
CN114418600A (zh) * 2022-01-19 2022-04-29 中国检验检疫科学研究院 一种食品输入风险监测预警方法
CN115424741A (zh) * 2022-11-02 2022-12-02 之江实验室 基于因果发现的药物不良反应信号发现方法及系统
CN115526422A (zh) * 2022-10-19 2022-12-27 中国矿业大学 一种煤矿瓦斯爆炸风险预测方法
CN116862081A (zh) * 2023-09-05 2023-10-10 北京建工环境修复股份有限公司 一种污染治理设备运维方法及系统

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108234463A (zh) * 2017-12-22 2018-06-29 杭州安恒信息技术有限公司 一种基于多维行为模型的用户风险评估与分析方法
CN108090515B (zh) * 2017-12-27 2020-04-21 南京邮电大学 一种基于数据融合的环境等级评估方法
CN108090515A (zh) * 2017-12-27 2018-05-29 南京邮电大学 一种基于数据融合的环境等级评估方法
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN110020862B (zh) * 2018-01-10 2021-10-29 中国移动通信有限公司研究院 一种业务风险评估方法、装置和计算机可读存储介质
CN110020862A (zh) * 2018-01-10 2019-07-16 中国移动通信有限公司研究院 一种业务风险评估方法、装置和计算机可读存储介质
CN108510185A (zh) * 2018-03-29 2018-09-07 北京紫晶立方科技有限公司 道路车辆快速危害分析与风险评估方法
CN108510185B (zh) * 2018-03-29 2020-10-27 北京紫晶立方科技有限公司 道路车辆快速危害分析与风险评估方法
CN109064179B (zh) * 2018-07-11 2022-05-20 成都理工大学 移动支付安全态势感知系统
CN109064179A (zh) * 2018-07-11 2018-12-21 成都理工大学 移动支付安全态势感知系统
CN109522962A (zh) * 2018-11-23 2019-03-26 杭州电子科技大学 一种化工厂安全定量评估方法
CN109522962B (zh) * 2018-11-23 2021-07-13 杭州电子科技大学 一种化工厂安全定量评估方法
CN109978396A (zh) * 2019-03-29 2019-07-05 深圳市人民医院 一种风险事件的早期筛查系统及方法
CN110598969B (zh) * 2019-06-25 2023-03-31 大连海事大学 一种海上通道突发事件风险预警方法
CN110598969A (zh) * 2019-06-25 2019-12-20 大连海事大学 一种海上通道突发事件风险预警方法
CN110688306A (zh) * 2019-09-05 2020-01-14 国家计算机网络与信息安全管理中心 基于概率图模型的移动应用风险等级推理评估方法及装置
CN110826237A (zh) * 2019-11-11 2020-02-21 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN110826237B (zh) * 2019-11-11 2024-01-23 云南电网有限责任公司电力科学研究院 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
CN111048192B (zh) * 2019-12-10 2023-11-07 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN111048192A (zh) * 2019-12-10 2020-04-21 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN111598352A (zh) * 2020-05-25 2020-08-28 哈尔滨工业大学 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112464164A (zh) * 2020-11-25 2021-03-09 北京航空航天大学 一种人因可靠性评估的方法、装置和信息处理设备
CN112330476A (zh) * 2020-11-27 2021-02-05 中国人寿保险股份有限公司 一种团单保险业务预测方法及装置
CN113361982A (zh) * 2021-08-11 2021-09-07 奇安信科技集团股份有限公司 网络安全风险评估方法及装置
CN114418600A (zh) * 2022-01-19 2022-04-29 中国检验检疫科学研究院 一种食品输入风险监测预警方法
CN115526422A (zh) * 2022-10-19 2022-12-27 中国矿业大学 一种煤矿瓦斯爆炸风险预测方法
CN115526422B (zh) * 2022-10-19 2024-02-23 中国矿业大学 一种煤矿瓦斯爆炸风险预测方法
CN115424741B (zh) * 2022-11-02 2023-03-24 之江实验室 基于因果发现的药物不良反应信号发现方法及系统
CN115424741A (zh) * 2022-11-02 2022-12-02 之江实验室 基于因果发现的药物不良反应信号发现方法及系统
CN116862081A (zh) * 2023-09-05 2023-10-10 北京建工环境修复股份有限公司 一种污染治理设备运维方法及系统
CN116862081B (zh) * 2023-09-05 2023-11-21 北京建工环境修复股份有限公司 一种污染治理设备运维方法及系统

Similar Documents

Publication Publication Date Title
CN107480895A (zh) 一种基于Bayes增强学习的可靠消费品风险评估方法
Bassamzadeh et al. Multiscale stochastic prediction of electricity demand in smart grids using Bayesian networks
Alaeddini et al. Using Bayesian networks for root cause analysis in statistical process control
Xiao et al. An integrated FCM and fuzzy soft set for supplier selection problem based on risk evaluation
Luo et al. Bayesian belief network-based project complexity measurement considering causal relationships
Chen et al. An iterative procedure for optimizing the performance of the fuzzy-neural job cycle time estimation approach in a wafer fabrication factory
CN110580213A (zh) 一种基于循环标记时间点过程的数据库异常检测方法
Steck et al. Unsupervised active learning in large domains
Mori et al. Inference in hybrid Bayesian networks with large discrete and continuous domains
Borchani et al. Mining multi-dimensional concept-drifting data streams using Bayesian network classifiers
Boutaib et al. Uncertainty-wise software anti-patterns detection: A possibilistic evolutionary machine learning approach
Smirnov Intelligent decision support system for the control of complex technical systems
Khoshniat et al. Nature-inspired metaheuristic methods in software testing
Cabrerizo et al. Group decision making in linguistic contexts: an information granulation approach
Munikoti et al. Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks
Guerrero-Peña et al. A gaussian mixture model based local search for differential evolution algorithm
CN110990236A (zh) 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法
Reddy et al. Improving the Accuracy of Neural Networks through Ensemble Techniques
Salzman et al. Using complexity for the estimation of Bayesian networks
Ramanan et al. Discriminative non-parametric learning of arithmetic circuits
Kurz et al. Dynamic maintenance in semiconductor manufacturing using Bayesian networks
Khan et al. Software Risk Analysis with the use of Classification Techniques: A Review
Li et al. DBN structure learning based on MI-BPSO algorithm
Chiroma et al. An Intelligent Model Framework for Handling Effects of Uncertainty Events for Crude Oil Price Projection: Conceptual Paper
Trawiński et al. An analysis of change trends by predicting from a data stream using genetic fuzzy systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171215

RJ01 Rejection of invention patent application after publication