CN107944562A

CN107944562A - 一种扩展的处理不确定因果关系类信息的智能系统的构造方法

Info

Publication number: CN107944562A
Application number: CN201710967729.XA
Authority: CN
Inventors: 张勤
Original assignee: Beijing Qing Rui Intelligent Technology Co Ltd
Current assignee: Beijing Yutong Intelligent Technology Co.,Ltd.
Priority date: 2017-10-17
Filing date: 2017-10-17
Publication date: 2018-04-20
Anticipated expiration: 2037-10-17
Also published as: CN107944562B; WO2019076026A1; US20200234169A1

Abstract

动态不确定因果图DUCG是一项已授权的专利技术，用图型表达领域专家的不确定因果知识，进行计算机智能推理，帮助人们判断对象系统异常的原因。本发明在既有技术的基础上，增加了如下技术内容：(1)用一种新的逻辑门和新的作用变量来表达证据及其组合对根原因事件发生概率的影响；(2)用反向逻辑门来表达原因事件与一个以上结果事件组合之间的逻辑关系，进行推理；(3)用特异性事件来表达其与根原因事件的对应关系，当其被观测到时，直接确定原因；(4)用结果事件的关注度表达其不能被推理结果解释而导致推理结果成立可能性下降的程度，并参与概率计算；(5)用根原因事件的危险度来表达其对系统的危害程度，并参与推理计算。

Description

一种扩展的处理不确定因果关系类信息的智能系统的构造方法

技术领域

本发明涉及智能信息处理技术，是对已授权专利《一种处理不确定因果关系类信息的只能系统的构造方法》(专利号：ZL 2006 8 0055266.X)、《METHOD FOR CONSTRUCTINGAN INLLIGENT SYSTEM PROCESSING UNCERTAIN CAUSAL RELATIONSHIP INFORMATION》(专利号：US 8,255,353 B2)和《一种基于动态不确定因果图的启发式检测系统异常原因的方法》(专利号：ZL 2016 10282052.1)中所记载的技术方案的进一步扩展。使用本发明提出的技术方案，通过计算机处理，可进一步提升被称为动态不确定因果图DUCG(DynamicUncertain Causality Graph)的因果知识表达和运用能力，使之更加满足实际需求、更加方便准确地诊断对象系统异常的原因，从而有利于人们在对象系统异常的情况下采取有效措施，使之尽快恢复正常。

背景技术

如已授权专利《一种处理不确定因果关系类信息的只能系统的构造方法》、《METHOD FOR CONSTRUCTING AN INLLIGENT SYSTEM PROCESSING UNCERTAIN CAUSALRELATIONSHIP INFORMATION》和《一种基于动态不确定因果图的启发式检测系统异常原因的方法》所记载，工业系统、社会系统和生物系统(简称对象系统)中存在大量导致系统异常的原因事件，例如线圈短路、泵故障停转、零部件失效、子系统失灵、传导通路阻塞、异物进入、某组织或机体发生变异、坏死、被污染、感染、伤害或自然失效等，称为事件变量，可用B_i或BX_k表示，k为事件变量标号、B_kj或BX_kj为变量B_i或BX_k的j状态。如图1和图2所示，B_k、B_kj、BX_k和BX_kj可分别用图形或或或或表示，B_k和BX_k的区别在于B_k为根原因变量，没有输入，而BX_k有输入，可受其他因素影响，BX_k是受影响后的B_k。通常j＝0表示B_k或BX_k处于正常状态；j＝1、2、3...表示B_k或BX_k处于各种异常状态。

如果图形中只有一个数字，该数字代表变量标号，变量状态未知。为方便起见，kj之间可用逗号隔开(下同)。

B_k和BX_k的状态多数情况下不能直接检测，或难以直接检测，是DUCG智能系统需要推断其是否处于异常状态的变量。

此外，系统中还存在大量与B_k或BX_k有确定或不确定因果关系的变量，如温度、压力、流量、速度、频率、开关状态、各种化验或物理试验结果、调查结果、影像学结果、感觉、症状、体征、所处地域、时间、环境、季节、宗教、肤色、经历、血缘关系、嗜好、性格、居住条件、工作条件等，称为中间或结果变量，可以用X_y表示，y＝0、1、2、...。X_yg为X_y的g状态。通常g＝0表示X_y处于正常状态，g≠0表示X_y处于标号为g的异常状态。X变量有至少一个输入(原因)变量，可以有或没有输出(结果)变量。如图1和图2所示，X_y和X_yg可分别用图形符号或或表示。

采用DUCG技术方案，人们可通过检测X类型变量的状态来获取证据E，以推断系统异常的原因B_kj或BX_kj(j≠0)，从而及时采取有效措施，使系统恢复正常。E由至少一个X变量的已知状态X_yg构成，例如E＝X_1，2X_2，3X_3，1X_4，0X_5，0。

DUCG智能推理就是求解Pr{H_kj|E}＝Pr{H_kjE}/Pr{E}，其中H_kj为假设事件，通常为DUCG中定义的待求的变量状态组合，例如H_1，2＝B_1，2、H_2，1＝BX_2，1、H_3，2＝BX_3，2X_4，1等等，H_kj中的下标k表示变量组合，例如H₁＝B₁、H₂＝BX₂、H₃＝BX₃X₄、等等；H_kj中的下标j表示H_k中变量的状态组合，如上例。将所有在E条件下的可能假设事件H_kj的集合用S_H表示，则有H_kj∈S_H。

DUCG中还定义了如下变量：

逻辑门变量，可用G_i表示，至少有两个输入变量和一个输出变量。G_ij表示G_i的j状态。G_i用以表达输入变量各种所关注状态的逻辑组合，这些逻辑组合用逻辑门说明表LGS_i说明。例如G₁用LGS₁说明：G_1，1＝B_3，1X_1，1，G_11，2＝B_3，1X_1，2，G_1，0＝其它情况(剩余状态)，等等。G_iiG_ii’＝0(空集，其中j≠j’)，也就是说，G的不同状态互斥。如上述专利文献附图所示，G_i和G_ij可分别用图形符号或或表示。

缺省原因变量，可用D表示，是对应的X变量的原因变量之一。例如D₄是X₄的缺省原因变量。Pr{D_i}≡1。如图1所示，D_i可用图形或表示。

B、X、BX、D和G变量可称为节点，变量本身及其各种状态的物理意义可以根据所描述对象定义。其中B、X、BX、D和G为直接原因变量时，称为父变量，可用V统一表达，V∈{B，X，BX，D，G}，下标不变。例如V₂＝X₂，V_3，2＝B_3，2，等等。结果变量只能是X或BX变量。变量的一个状态就是一个事件。例如X_yg、B_kj、BX_ki、G_ij、H_kj或V_ij等都是事件。

DUCG是由上述变量以及变量之间确定或不确定的因果关系构成的，通常用图形符号来表示。一个DUCG示例如图1所示，其中B变量或事件用矩形表示；X变量或事件用圆形表示；BX变量或事件用双圆表示；G变量或事件用逻辑门表示，并用有向弧将输入变量与G_i相连；D变量用五边形表示。

作用变量F_n；i是表达父变量V_i与子变量X_n或BX_n之间的因果关系矩阵，可用有向弧→或其它图形符号表示，从原因指向结果，矩阵中的元素称为作用事件F_nk；ij，表达父事件V_ij与子事件X_nk或BX_nk之间的因果关系，F_nk；i表达父变量V_i与子事件X_nk之间的因果关系，F_n；ij表达父事件V_ij与子变量X_n或BX_n之间的因果关系。F_nk；ij≡(r_n；i/r_n)A_nk；ij。其中r_n；i＞0为父变量V_i与子变量X_n或BX_n之间的因果关系强度，r_n≡∑_ir_n：i，A_nk；ij为V_ij导致X_nk或BX_nk发生这一随机事件，a_nk；ij≡Pr{A_nk；ij}，满足f_nk；ij≡Pr{F_nk；ij}≡(r_n；i/r_n)a_nk；ij。f_nk；ij是V_ij对X_nk的权重概率的贡献值，满足F_nk；ij、f_nk；ij、A_nk；ij、a_nk；ij分别是矩阵F_n；i、f_n；i、A_n；i、a_n；i的元素。v_ij＝Pr{V_ij}，v∈{b，x，bx，d，g}，V_ij和v_ij分别是事件向量V_i和参数向量v_i的元素。当原因变量为D_i时，F_nk；ij≡F_nk；iD，此时j＝D。其它因果关系变量的表达类似。

F_nk；ij可以是条件作用事件，用虚线有向弧表示。条件作用事件表达其原因事件V_ij与结果事件X_nk或BX_nk之间是条件作用关系，即根据条件事件Z_nk；ij是否满足来判定F_nk；ij是否成立。例如Z_nk；ij＝X_1，2，当X_1，2为真时，Z_nk；ij满足、F_nk；ij成立；当X_1，2非真时，Z_nk；ij不满足、F_nk；ij不成立。当同一对父子变量之间的条件因果作用关系成立的条件事件相同时，该条件事件统一用Z_n；i来表示，例如Z_n；i＝X_1，2，当X_1，2为真时，Z_n；i满足、F_n；i成立、成为→；当X_1，2非真时，Z_n；i不满足、F_n；i不成立、被删除。

为方便起见，全集记为1，空集记为0。上述变量及其状态也可以选择用其它图形或符号表示。

当收到证据E后，可采用下述规则对DUCG进行化简：

规则1：如果E显示Z_nk；ij或Z_n；i不满足，将F_nk；ij或F_n；i从DUCG中删除，当E显示Z_nk；ij或Z_n；i已经满足，虚线的F_nk；ij或F_n；i成为实线的F_nk；ij或F_n；i。

规则2：如果E显示V_ij(V∈{B，X})为真，但V_ij却不是X_n或BX_n的父事件，将F_n；i从DUCG中删除。

规则3：如果E显示X_nk为真，但X_nk不可能被V_i(V∈{B，X，BX，G，D})的任何状态引起，将F_n；i从DUCG中删除，除非X_nk是待求变量的下游变量，且它们之间没有已知证据阻断。

规则4：如果E显示{B，X}类型节点状态未知且无输出有向弧，将该节点及其输入有向弧从DUCG中删除。

规则5：如果E显示X_n0为真，且X_n0与异常证据E’无任何连通关系，将X_n0从DUCG中删除，除非X_n0是待求B或BX变量的下游(结果)变量，且中间没有任何状态已知变量阻断。

规则6：如果E显示一组状态未知节点除非通过X_n0，否则不与X_nk(k≠0)相连，将这组状态未知节点及与之相连的有向弧和D节点从DUCG中删除。

规则7：因任何原因导致G_i没有输出，将G_i及其输入有向弧从DUCG中删除；当G_i没有输入，将G_i及其输出有向弧从DUCG中删除。

规则8：当有向弧没有父节点或没有子节点，将这条有向弧从DUCG中删除。

规则9：当存在一组节点和有向弧与E中涉及的节点无连通关系，将这组节点和有向弧从DUCG中删除。

规则10：如果E显示异常状态X_nk为真，但X_nk因任何原因没有输入，对X_nk增加一个虚拟事件D_n作为其输入，在从D_n到X_nk的有向弧中，a_nk；nD＝1且a_nk’；nD＝0，k’≠k，r_n；D可以为任何值。D_n可用符号或表示。

规则11：如果E显示存在一组状态正常的X类型事件X_n0∈S_I(下标0代表正常状态)，它们仅与状态未知变量相连，这些状态未知变量被X_n0∈S_I阻断而不与其它状态已知变量相连，且不包含已确定的假设事件H_kj，则将这组状态未知变量和X_n0∈S_I删除，但当X_n是被关注的假设事件H_kj的结果变量且中间无已知证据事件阻断时，X_n0不被删除。

规则12：上述规则可以按照任何顺序单独使用、联合使用、重复使用。

根据化简后的DUCG图，可进一步假定其中某个B变量成立时，其他B变量均不成立，从而将化简图分解为各个子化简图，并按照上述化简规则进一步化简。有些子图在化简后，B或BX变量没有了下游异常证据，则该子图被删掉。剩下的子图中的B或BX变量的异常状态构成系统异常的可能原因事件空间S_H。通常由B_kj或BX_kj(k≠0)构成。对H_kj∈S_H，求H_kj＝B_kj或H_kj＝BX_ky(k≠0)的验后概率：ζ_k＝Pr{E|子图k}。进而可以求出归一化排序概率：根据和人们即可知道系统异常的可能原因和排序，从而采取正确的应对措施，使系统尽快恢复正常。

为了解决有效手机证据的问题，专利文献《一种基于动态不确定因果图的启发式检测系统异常原因的方法》(专利号：ZL 2016 1 0282052.1)提出了推荐检测状态未知的X变量状态的方法，从而使上述证据E更加丰富有效，以便更加准确地进行推理判断。在该专利文献权利要求5中，在计算待检测变量X_i的概率重要度ρ_i时，采用了多种计算公式，例如：

在这些计算公式中，ω_k均与下标j无关，即与根原因变量的异常状态无关。但实际上，根原因变量的不同异常状态的受关注程度应当有所不同。

上述技术方案还存在如下限制：(1)G_ijG_ij＝0(j≠j’)，这对表达逻辑组合提出了严格的要求。当人们只是考虑各种影响因素X_nk的组合对B_i各状态的概率分布的影响时，希望组合方式更加灵活、不受或少受上述限制；(2)其中包含a_nk；ij≤1。但有时a参数的意义为放大或缩小事件发生概率的倍率，因而a_nk；ij和均可能大于1；(3)逻辑门G只考虑了其输入变量的状态组合。但有时人们需要表达逻辑门的输出变量的状态组合；(4)实际应用中存在某些X类型变量，称为特异性变量，一旦其异常状态被观测到，其对应的B或BX类型的根原因就可以确定，不需要进行复杂的概率推理；(5)DUCG根据E来推理，但有时X变量状态的异常并不是由于当前的B或BX引起的，而是由于其他未知原因引起的。对不同X的不同状态，人们关注其是否能被解释的程度是不同的。因此需要定义X_nk(k≠0)的关注度及其参与计算的方法，以便达到在其他条件相同的情况下，不可解释的状态异常X类型证据越多，相对应的B或BX是当前系统异常原因的可能性就越小。

为此，本发明提出了扩展的技术方案来解决上述问题。

本发明既有技术参考文献：

[1]中国发明专利：“一种处理不确定因果关系类信息的智能系统的构造方法”，专利号：ZL 2006 8 0055266.X；授权日期：2010年4月14日；权利人：张湛；发明人：张勤、张湛。

[2]美国发明专利：“Method for constructing an intelligent systemprocessing uncertain causal relationship information”；专利号：US 8255353 B2；授权日期：2012年8月28日；权利人：张湛；发明人：张勤、张湛。

[3]中国发明专利：“一种构造立体DUCG智能系统用于动态故障诊断的方法”；专利号：ZL 2013 1 0718596.4；授权日期：2015年4月15日；权利人：张湛、北京清能创新科技有限公司；发明人：张勤、董春玲。

[4]中国发明专利：“一种基于动态不确定因果图的启发式检测系统异常原因的方法”；专利号：ZL 2016 1 0282052.1；授权日期：2015年2月；权利人：北京清睿智能科技有限公司；发明人：张勤。

[5]Q.Zhang.“Dynamic uncertain causality graph for knowledgerepresentation and reasoning：discrete DAG cases”，Journal of Computer Scienceand Technology，vol.27，no.1，pp.1-23，2012.

[6]Q.Zhang，C.Dong，Y.Cui and Z.Yang.“Dynamic uncertain causality graphfor knowledge representation and probabilistic reasoning：statistics base，matrix and fault diagnosis”，IEEE Trans.Neural Networks and Learning Systems，vol.25，no.4，pp.645-663，2014.

[7]Q.Zhang.“Dynamic uncertain causality graph for knowledgerepresentation and probabilistic reasoning：directed cyclic graph and jointprobability distribution”，IEEE Trans.Neural Networks and Learning Systems，vol.26，no.7，pp.1503-1517，2015.

[8]Q.Zhang.“Dynamic uncertain causality graph for knowledgerepresentation and probabilistic reasoning：continuous variable，uncertainevidence and failure forecast”，IEEE Trans.Systems，Man and Cybernetics，vol.45，no.7，pp.990-1003，2015.

[9]Q.Zhang and S.Geng.“Dynamic uncertain causality graph applied todynamic fault diagnosis of large and complex systems”，IEEE Trans.Reliability，vol.64，no.3，pp 910-927，2015

[10]Q.Zhang and Z.Zhang.“Dynamic uncertain causality graph applied todynamic fault diagnoses and predictions with negative feedbacks”，IEEETrans.Reliability，vol.65，no.2，pp 1030-1044，2016.

[11]Q.Zhang&Q.Yao.Dynamic Uncertain Causality Graph for KnowledgeRepresentation and Reasoning：Utilization of Statistical Data and DomainKnowledge in Complex Cases.IEEE Trans.Neural Networks and Learning Systems，DOI：10.1109/TNNLS.2017.2673243，2017.

发明内容

本发明公开了一种技术方案，进一步扩展了已授权中国发明专利ZL 2006 80055266.X、ZL 2016 1 0282052.1、美国发明专利US 8255353 B2以及上述文献所公开的DUCG技术方案。

本发明的技术方案如下：

1、一种通过利用一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被执行时，能够执行如下处理不确定因果关系类信息的智能系统的构造和推理方法，该方法在既有DUCG技术方案的基础上，增加了表达和推断对象系统异常原因B_k的方法，增加的内容包括：(1)用一种新的逻辑门SG_k和新的作用变量SA_k；k来表达证据X_yg及其组合对B_k各状态发生概率的直接影响，影响后的B_k用BX_k来表示，X_y和B_k是SG_k的输入，事件矩阵SA_k；k是SG_k的输出，指向BX_k，SA_k；k的成员事件为SA_kj；kn；(2)用反向逻辑门RG_i来表达原因变量各状态与一个以上结果变量的状态组合之间的逻辑关系，并根据结果变量的有意义的状态证据组合确定反向逻辑门的状态，并据其进行DUCG推理；(3)用变量SX_y来表达与特定的B变量的某异常状态对应的特异性X变量，当观测到SX_yg(g≠0)时，不需要对SX_yg进行推理计算即判定其对应的B变量的对应异常状态发生；(4)用X_yg或SX_yg的关注度ε_yg(g≠0)来表达X_yg或SX_yg不能被推理结果H_kj解释而导致H_kj成立的可能性下降的程度，并用ε_yg参与H_kj的状态概率计算，使得参与计算的ε_yg越多、值越大，H_kj成立的可能性越小；(5)用B_k的异常状态B_kj的危险度μ_kj来表达B_kj对系统的危害程度，使得μ_kj越大，检测对确定B_k的状态有帮助的X类型变量状态的需求越大。

2、如1(1)所述，其特征还在于：1)当B_k＝B_kj时，BX_k＝BX_kj，反之亦然；2)用某种图形符号表达SG_k，用一种有向弧表达从B_k或X_y指向SG_k的输入关系；3)用另一种有向弧表达SA_k；k，从SG_k指向BX_k；4)sa_kj；kn≡Pr{SA_kj；kn}代表将Pr{B_kj}放大或缩小为Pr{BX_kj}的缩放倍率，不受Pr{SA_kj；kn}≤1的限制；5)SA_k；k可以是条件事件矩阵，用与3)的有向弧有区别的有向弧表达，从SG_k指向BX_k，其条件事件用Z_k；k表示，是一个可观测事件，当Z_k；k成立时，SA_k；k被删掉，否则将其保留成常规SA_k；k；6)在SG_k的逻辑门说明表LGS_k中，用事件组合式n来表达SG_kn的X类型输入事件的标号为n≠1的事件组合；7)当n＝1时，SG_k1的事件组合式为其它标号事件组合式的剩余状态，剩余状态也可以用n≠1的其它标号来标识；8)对n按优先顺序排序；9)根据现场收集到的X类型证据依n的排序与事件组合式n进行匹配，一旦事件组合式n被匹配上，即确定SG_k＝SG_kn；10)当匹配上的n是例如0的特殊标号时，B_k不成立，此时B_k和SG_k及其输入和输出有向弧可以被删除；11)不在事件组合式n中的SG_kn输入端的状态未知或正常的X变量的指向SG_kn的有向弧可以被删除；12)当匹配上的n不是上述特殊标号时，把Pr{B_kj|E}替换为Pr{BX_kj|E}，BX_kj＝SA_kj；knB_kj，从而Pr{B_kj|E}＝sa_kj；_knb_kj，其中E为收集到的证据。

3、如1(2)所述，其特征还在于：1)反向逻辑门RG_i可用某种图形符号表示，有至少一个输入变量，用从输入变量指向RG_i的F类型有向弧连接，有不少于两个输出变量，用从RG_i指向输出变量的有向弧连接；2)RG_in为RG_i的标号为n的状态，代表标号为n的输出变量的状态组合，用事件组合式n表达；3)推理中，RG_in作为一个X类型事件进行DUCG逻辑展开；4)当n是例如0的特殊标号时，表示有意义的输出变量状态组合不存在，将RG_i0及其输入和输出有向弧删掉；5)对n按照优先程度排序，当收到证据E后，按照n的优先顺序进行RG_in的事件组合式匹配，一旦匹配上，即确定RG_i＝RG_in；6)RG_i输出的F类型有向弧中的a参数可以根据RG_i的LGS_i自动生成，生成的规则为：考察RG_in的事件组合式中是否有X_yg，若有，则a_yg；in＝1，即A_yg；in＝1，否则a_yg；in＝0或“-”，即A_yg；in＝0。

4、如1(4)所述，其特征还在于：1)ε_yg仅在H_kj在其所在的DUCG子图k中不能作为原因解释证据X_yg或SX_yg时才参与H_kj的状态概率的计算；2)ε_yg参与计算的方式为：在对H_kj所在标号为k的子图的权重系数的计算中，在计算ζ_k时，(ε_yg越大、值越小的算式)，其中S₁为在子图k中能够被H_kj解释的证据标识的集合，S₂为在子图k中不能被H_kj解释的X_yg或SX_yg类型的证据标识的集合。

5、如1(5)所述，其特征还在于：1)在计算待检测变量X_i的概率重要度ρ_i时，用μ_kj替代ω_k，2)在计算概率重要度ρ_i时，将μ_kj放到对ρ_i的计算公式的下标j的内层，包括但不限于将

改为

或

其中J_k为B_k的异常状态数。

附图说明

图1 DUCG示例；

图2 收到证据E＝X_6，2X_7，1X_14，1后的简化表达的图1；

图3 例1中的新型DUCG图；

图4 E＝X_1，1X_2，1时图3的情况；

图5 例2中收到证据后的情况；

图6 按照权利要求2-9)化简图5的结果；

图7 收到证据E＝1后的图3；

图8 图7的进一步化简结果；

图9 图8的进一步化简结果；

图10 图9的进一步化简结果；

图11 SA_k；k为条件作用变量的情况；

图12 SA_k；k被删除的情况；

图13 反向逻辑门的示例；

图14 收到E＝X_1，1X_2，1X_4，1X_5，1后的图13；

图15 反向逻辑门的另一个示例；

图16 收到E＝X_1，1X_2，1X_4，1X_5，1后的图15；

图17 收到E＝X_2，1X_4，1X_5，1SX_8，1后的DUCG子图；

图18 基于E＝X_1，1X_2，1X_4，1X_5，1X_6，2X_7，1化简后的DUCG子图。

具体实施方式

例1

如图3所示，SG_k用图形符号表达，SG_kj用图形符号表达，其输入用有向弧用表达，SA_k；k用有向弧表达。在B_kj和BX_kj中，j∈{0，1，2}。根据权利要求1(1)和2，X₁、X₂和X₃与B_k共同构成了SG_k的输入变量，BX_k为SG_k的输出变量，由SA_k；k连接，图3中内嵌了逻辑表达式LGS_k(表1)、SA_k；k的参数和B_k的参数。

表1图3中的LGS_k

其中n＝0为特殊标号；

图3中B_k的参数为：b_k＝(- 0.01 0.002)^T，SA_k；k的参数sa_k；k为：

其中“-”表示不关心(与0等价)；sa_kj；kn的意义为：在基于证据E确定双线逻辑门SG_k输入端的X类型变量状态组合为LGS_k中的事件组合式n的情况下，Pr{B_kj}＝b_kj被缩放为Pr{BX_kj}的倍率，也是就是说，对每个E，sa_k；k中只有一列参数参与运算。例如当E确定n＝2时，只有sa_k；k2＝(- 10 2)^T参与运算。

设H_kj＝B_kj、E＝X_1，1X_2，1、n的排序为0、3、2、1。根据权利要求2-9)，当收到E后，按照n的排序进行事件组合式匹配，结果SG_k2＝X_1，1X_2，1被匹配上，所以SG_k2为真。由于X₃不在E中，按照权利要求2-11)，X₃的输入和输出被删掉。最后，图3化简为图4(其中状态的颜色可以自由定义)。

基于图4，根据权利要求1(1)和2-12)，我们有

当j＝0时，Pr{H_k0|E}＝sa_k0；k2b_k0＝“-”×“-”＝“-”；

当j＝1时，Pr{H_k1|E}＝sa_k1；k2b_k1＝10×0.01＝0.1；

当j＝2时，Pr{H_k2|E}＝sa_k2；k2b_k2＝2×0.002＝0.004。

采用DUCG中定义的“*”算符，以上可简写为：

其中算符“*”在DUCG中的定义是将两个行数相同矩阵的相同行的事件或数据进行逻辑与或相乘的运算(详见参考文献[6])。

例2

除E＝X_1，0外，其它与例1相同。按照n的排序和表1，SG_k0＝X_1，0∪X_2，0X_3，0被匹配上。于是图3成为图5。

按照权利要求2-10)，B_k和SG_k0及其输入和输出有向弧均被删除，成为图6。设X_1，0为X₁的正常状态，按照DUCG的化简规则，图6中的所有变量均被删掉，即图6被删掉，B_k也就被删掉了，即B_k的异常状态不存在，不再需要进行后续计算。

例3

除E＝1(全集)外，其它与例1相同。E＝1表示X₁、X₂和X₃的状态均未知，在表1中仅匹配剩余状态。因此SG_k1成立，图3成为图7。根据权利要求2-11)，图7被化简为图8。根据DUCG的化简规则，图8进一步化简为图9。

由于SG_k＝SG_k1，从表1可知，sa_k0；k1＝“-”，sa_k1；k1＝sa_k2；k1＝1。根据权利要求2-12)，与例1的计算类似，我们有

Pr{H_k0|E}＝sa_k0；k2b_k0＝“-”×“-”＝“-”；

Pr{H_k1|E}＝sa_k1；k2b_k1＝1×0.01＝0.01；

Pr{H_k2|E}＝sa_k2；k2b_k2＝1×0.002＝0.002。

也就是说，BX_k的状态概率分布与B_k完全相同。在这种情况下，B_k完全等同于BX_k，因此可以用B_k替代BX_k。也就是图9可以被进一步化简为图10。

例4

将图3改为图11，Z_k；k＝X_1，0∪X_2，0X_3，0，E＝X_1，0，其余不变，其中用表达权利要求2-5)所述有向弧。

根据权利要求2-5)，E使得Z_k；k成立，SA_k；k被删掉，图11变成图12。再应用DUCG的化简规则，整个图12(包括B_k)也被删掉，不再需要后续计算。本例与例2等价，只是采用了不同的表达方式，所以结果相同。

例5

权利要求1和3所述之反向逻辑门的情况如图13所示，其中反向逻辑门RG_i用图形符号表示，RG_in用图形符号表示，BX_k是反向逻辑门RG_i的输入，X₄和X₅是RG_i＝(RG_i0 RG_i1 RG_i2)^T的输出，LGS_i如表2所示：

表2图13中的LGS_i

此外，对n的排序为3、2、1、0，其它与例1相同。

根据权利要求3-6)和表2，生成

设E＝X_1，1X_2，1X_4，1X_5，1，根据LGS_i，RG_i＝RG_i3，图13成为图14。基于图14，根据DUCG的展开方法，从下游往上游逐步展开：

在只有一个输入的情况下，r参数不起作用

由于a_4，1；i3＝a_5，1；i3＝1，即A_4，1；i3＝A_5，1；i3＝1，上式为

此处用到了权利要求2-12)

其中为方便起见，采用了DUCG中的*算符，定义已如例1所述。

进而，

X_1，1＝F_1，1；1DD₁＝A_1，1；1DD₁

X_2，1＝F_2，1；2DD₂＝A_2，1；2DD₂

E＝X_1，1X_2，1X_4，1X_5，1

＝A_1，1；1DD₁A_2，1；2DD₂A_i3；k(SAk_；k2*B_k)

设H_kj＝B_kj，我们有

当j＝0时，

当j＝1时，

当j＝2时，

例6

如图15所示，与图13比较，RG_i的输出有向弧改为a_4；i和a_5；i去掉，其它仍如例5所示，即仍有E＝X_1，1X_2，1X_4，1X_5，1，根据LGS_i，RG_i＝RG_i3，图15成为图16。

根据权利要求3-3)，RG_i3被作为证据纳入E中进行展开，即E＝X_1，1X_2，1X_4，1X_5，1RG_i3。其中X_4，1和X_5，1的上游由于没有F类型有向弧，展开终止，对E＝X_1，1X_2，1X_4，1X_5，1RG_i3的展开等价于对E＝X_1，1X_2，1RG_i3的展开。其实在例5中也有X_4，1X_5，1＝RG_i3，所以最后的计算结果与例5完全相同。

例7

如图17所示，其中E＝X_1，1X_2，1X_3，1X_4，1X_5，1SX_8，1。与图13比较，缺少了证据X_1，1，增加了特异性证据SX_8，1。设SX_8，1的对应B_k的状态为B_k2。根据权利要1和4，可知Pr{B_k2|E}＝1。

例8

如图18所示。

图18与图13的唯一区别在于图18多了两个不能被B或BX变量解释的证据X_6，2和X_7，1。设a_1，1；1D＝0.4、a_2，1；2D＝0.5、关注度ε按照百分制打分，X_6，2的关注度ε_6，2＝20，X_7，1的关注度ε_7，1＝10，取“ε_yg越大、值越小的算式”＝1/ε_yg。根据权利要求5，S₁＝{X_1，1，X_2，1，X_4，1，X_5，1}，S₂＝{X_6，2，X_7，1}。于是有

Claims

1.一种通过利用一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被执行时，能够执行如下处理不确定因果关系类信息的智能系统的构造和推理方法，该方法在既有DUCG技术方案的基础上，增加了表达和推断对象系统异常原因B_k的方法，增加的内容包括：(1)用一种新的逻辑门SG_k和新的作用变量SA_k；k来表达证据X_yg及其组合对B_k各状态发生概率的直接影响，影响后的B_k用BX_k来表示，X_y和B_k是SG_k的输入，事件矩阵SA_k；k是SG_k的输出，指向BX_k，SA_k；k的成员事件为SA_kj；kn；(2)用反向逻辑门RG_i来表达原因变量各状态与一个以上结果变量的状态组合之间的逻辑关系，并根据结果变量的有意义的状态证据组合确定反向逻辑门的状态，并据其进行DUCG推理；(3)用变量SX_y来表达与特定的B变量的某异常状态对应的特异性X变量，当观测到SX_yg(g≠0)时，不需要对SX_yg进行推理计算即判定其对应的B变量的对应异常状态发生；(4)用X_yg或SX_yg的关注度ε_yg(g≠0)来表达X_yg或SX_yg不能被推理结果H_kj解释而导致H_kj成立的可能性下降的程度，并用ε_yg参与H_kj的状态概率计算，使得参与计算的ε_yg越多、值越大，H_kj成立的可能性越小；(5)用B_k的异常状态B_kj的危险度μ_kj来表达B_kj对系统的危害程度，使得μ_kj越大，检测对确定B_k的状态有帮助的X类型变量状态的需求越大。

2.如1(1)所述，其特征还在于：1)当B_k＝B_kj时，BX_k＝BX_kj，反之亦然；2)用某种图形符号表达SG_k，用一种有向弧表达从B_k或X_y指向SG_k的输入关系；3)用另一种有向弧表达SA_k；k，从SG_k指向BX_k；4)sa_kj；kn≡Pr{SA_kj；kn}代表将Pr{B_kj}放大或缩小为Pr{BX_kj}的缩放倍率，不受Pr{SA_kj；kn}≤1的限制；5)SA_k；k可以是条件事件矩阵，用与3)的有向弧有区别的有向弧表达，从SG_k指向BX_k，其条件事件用Z_k；k表示，是一个可观测事件，当Z_k；k成立时，SA_k;k被删掉，否则将其保留成常规SA_k；k；6)在SG_k的逻辑门说明表LGS_k中，用事件组合式n来表达SG_kn的X类型输入事件的标号为n≠1的事件组合；7)当n＝1时，SG_k1的事件组合式为其它标号事件组合式的剩余状态，剩余状态也可以用n≠1的其它标号来标识；8)对n按优先顺序排序；9)根据现场收集到的X类型证据依n的排序与事件组合式n进行匹配，一旦事件组合式n被匹配上，即确定SG_k＝SG_kn；10)当匹配上的n是例如0的特殊标号时，B_k不成立，此时B_k和SG_k及其输入和输出有向弧可以被删除；11)不在事件组合式n中的SG_kn输入端的状态未知或正常的X变量的指向SG_kn的有向弧可以被删除；12)当匹配上的n不是上述特殊标号时，把Pr{B_kj|E}替换为Pr{BX_kj|E}，BX_kj＝SA_kj；knB_kj，从而Pr{B_kj|E}＝sa_kj；knb_kj，其中E为收集到的证据。

3.如1(2)所述，其特征还在于：1)反向逻辑门RG_i可用某种图形符号表示，有至少一个输入变量，用从输入变量指向RG_i的F类型有向弧连接，有不少于两个输出变量，用从RG_i指向输出变量的有向弧连接；2)RG_in为RG_i的标号为n的状态，代表标号为n的输出变量的状态组合，用事件组合式n表达；3)推理中，RG_in作为一个X类型事件进行DUCG逻辑展开；4)当n是例如0的特殊标号时，表示有意义的输出变量状态组合不存在，将RG_i0及其输入和输出有向弧删掉；5)对n按照优先程度排序，当收到证据E后，按照n的优先顺序进行RG_in的事件组合式匹配，一旦匹配上，即确定RG_i＝RG_in；6)RG_i输出的F类型有向弧中的a参数可以根据RG_i的LGS_i自动生成，生成的规则为：考察RG_in的事件组合式中是否有X_yg，若有，则a_yg；in＝1，即A_yg；in＝1，否则a_yg；in＝0或“-”，即A_yg；in＝0。

4.如1(4)所述，其特征还在于：1)ε_yg仅在H_kj在其所在的DUCG子图k中不能作为原因解释证据X_yg或SX_yg时才参与H_kj的状态概率的计算；2)ε_yg参与计算的方式为：在对H_kj所在标号为k的子图的权重系数的计算中，在计算ζ_k时，(ε_yg越大、值越小的算式)，其中S₁为在子图k中能够被H_kj解释的证据标识的集合，S₂为在子图k中不能被H_kj解释的X_yg或SX_yg类型的证据标识的集合。

5.如1(5)所述，其特征还在于：1)在计算待检测变量X_i的概率重要度ρ_i时，用μ_kj替代ω_k，2)在计算概率重要度ρ_i时，将μ_kj放到对ρ_i的计算公式的下标j的内层，包括但不限于将

<mrow> <msub> <mi>&rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>K</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <munder> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>k</mi> <mi>J</mi> </mrow> </msub> </mrow> </munder> <munder> <mo>&Sigma;</mo> <mrow> <mi>g</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <mi>Pr</mi> <mo>{</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> </mrow>

改为

<mrow> <msub> <mi>&rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>K</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <munder> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>k</mi> <mi>J</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>&mu;</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <munder> <mo>&Sigma;</mo> <mrow> <mi>g</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <mi>Pr</mi> <mo>{</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> </mrow>

或

<mrow> <msub> <mi>&rho;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>K</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <mfrac> <mn>1</mn> <msub> <mi>J</mi> <mi>k</mi> </msub> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>k</mi> <mi>J</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>&mu;</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <munder> <mo>&Sigma;</mo> <mrow> <mi>g</mi> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <mi>Pr</mi> <mo>{</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>g</mi> </mrow> </msub> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mi>Pr</mi> <mo>{</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>|</mo> </mrow>

其中J_k为B_k的异常状态数。