CN110610293A - 基于改进型贝叶斯网络的海洋环境风险评估方法 - Google Patents
基于改进型贝叶斯网络的海洋环境风险评估方法 Download PDFInfo
- Publication number
- CN110610293A CN110610293A CN201910742565.XA CN201910742565A CN110610293A CN 110610293 A CN110610293 A CN 110610293A CN 201910742565 A CN201910742565 A CN 201910742565A CN 110610293 A CN110610293 A CN 110610293A
- Authority
- CN
- China
- Prior art keywords
- risk assessment
- bayesian network
- marine environment
- environment risk
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012950 reanalysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 7
- 231100000290 environmental risk assessment Toxicity 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进型贝叶斯网络的海洋环境风险评估方法，包括以下步骤：（1）海洋环境风险评估指标的选取与贝叶斯网络结构的搭建；（2）指标数据的收集与预处理；（3）反演技术流程设计了适合于贝叶斯网络参数学习的遗传编码方式，可动态调整的交叉与变异算子，能够进行推理误差反馈的适应函数，从而实现小样本条件下基于误差反馈的参数学习。（4）基于上述基本操作和优化算法提出海洋环境风险评估技术流程。本发明引入智能算法对贝叶斯网络模型进行适应性改进，以实现对海洋环境不确定风险的有效评估。
Description
技术领域
本发明涉及海洋工程技术领域，尤其涉及一种基于贝叶斯网络的新型海洋环境风险评估方法。
背景技术
海洋环境包含要素类型繁多，相互层次耦合、关联机理复杂，对其风险评估是一个综合性的系统工程。国内外海洋领域关于风险评估的系统研究相对滞后，仅有少数专家学者开展过类似的研究，主要集中在海洋灾害评估方面。海洋环境风险研究仅停留在单一类型的海洋环境风险评估，如赤潮灾害风险评估、海冰灾害风险评估、风暴潮灾害风险评估等，而未将不同类型的海洋灾害综合评估。国内关于海洋环境风险的整体化和系统化评估研究相对较少，鉴于海洋环境信息的不确定性，海洋环境要素与环境风险之间的非线性作用难以通过主观判断予以科学评估，通过上述评估方法的研究梳理可知，基于经验知识的专家评定法难以获得科学合理的结果；解析函数评估模型大多数为线性模型，只适用于小规模评估指标的建模，且模型基于严格数学假设，无法适应海洋环境风险评估条件；模糊综合评价、灰色关联分析等经典综合评估法只能单一处理随机性或模糊性等某种不确定性，难以综合处理海洋环境风险评估中的不确定性；实验评估法中资金、时间等成本投入较大，且评估过程容易受到其他外界因素的限制。
海洋环境影响要素众多，数据信息多源，且随时间动态变化，具有随机性、模糊性、多源性和时序性等不确定性特点，既有评估方法较难处理风险评估中的不确定性，一方面基于主观分析和专家知识，无法客观有效地实现多源信息的高度融合，另一方面基于模糊数学和灰色理论的评估方法仅针对某一不确定性建模，难以综合处理海洋环境风险评估中的不确定性信息，并且没有考虑时间维度，缺乏对风险的动态评估和预测研究，因此，发展新的评估方法模型成为风险评估领域亟待解决的瓶颈问题。
既有研究工作通常基于主观经验和专家知识来构建贝叶斯网络模型，这种评估建模方式首先仅仅局限于套用贝叶斯网络的模型框架，客观定量数据运用较少，不能充分利用贝叶斯网络在数据挖掘和不确定性推理方面的技术优势；其次经典贝叶斯网络在实际问题的应用方面还存在较大的数学条件限制，也不能较好地适应海洋环境评估建模特点。
为此，本文从海洋环境的要素高复杂性、知识不确定性、信息不完备性和响应高实时性等特征出发，具体分析了贝叶斯网络模型在实际应用中存在的问题，引入智能算法对贝叶斯网络进行优化以适应海洋环境风险评估。
发明内容
为实现上述问题，本发明提供一种基于改进型贝叶斯网络的海洋环境风险评估方法，针对以上技术问题，引入了合适的智能算法和数学模型对贝叶斯网络进行适应性改进，引入智能算法对贝叶斯网络模型进行适应性改进，以实现对海洋环境不确定风险的科学有效评估。
本发明提供如下技术方案：一种基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：包括以下步骤：
（1）海洋环境风险评估指标的选取与贝叶斯网络结构的搭建；
（2）指标数据的收集与预处理；
（3）反演技术流程设计了适合于贝叶斯网络参数学习的遗传编码方式，可动态调整的交叉与变异算子，能够进行推理误差反馈的适应函数，从而实现小样本条件下基于误差反馈的参数学习。但在评估应用中，该参数学习算法要求一个前提条件，即网络中至少存在某一节点的数据集是完备的，能够统计得到其后验概率分布，这样才能构建适应度函数，实现最优搜索：
输入：CPT搜索空间，误差函数：
输出：最优CPT；
step1：初始CPT种群的创建；
step2：统计分析历史资料获取子节点的后验概率分布，构建误差函数；
step3：进行交叉、变异等遗传运算，扩展种群多样性；
step4：根据误差函数进行选择；
step5：终止条件判断，输出待求节点的最优CPT；
（4）基于上述基础操作和优化算法提出海洋环境风险评估技术流程：
输入：近岸海洋环境风险评估指标；
输出：海洋环境风险状态；
step1：对南海-印度洋近岸海洋环境进行风险辨识；
step2：选取显著影响要素作为评估指标；
step3：数据收集与预处理；
step4：贝叶斯网络结构的学习；
step5：基于遗传算法的网络节点条件概率学习；
step6：基于改进型灰关联分析的指标权重计算；
step7：输入评估指标先验信息进行加权推理；
step8：评估结果可视化；
进一步的，其中所述步骤（1）主要是选取合理的海洋环境要素，即气象水文要素作为风险评估指标；
进一步的，所述步骤（4）中Step3是从相应的气象海洋网站下载再分析格点数据，然后对数据进行规则化和离散化处理。
进一步的，所述规则化主要指采用双线性插值法统一数据的分辨率，离散化主要指采用自适应高斯云变换算法划分连续型指标的等级状态；最终生成离散型训练样本。
进一步的，所述步骤（4）中的Step4、Step5和Step6主要是贝叶斯网络模型的构建，包括结构学习和参数学习；其中结构学习是构建网络结构，参数学习是训练网络的条件概率分布。
进一步的，所述步骤（4）中的Step7主要是输入评估指标的先验信息进行推理，先验信息也要进行Step3同样的数据处理过程；输入离散型先验信息推理得到海洋环境风险各等级的概率分布。
本发明的优点是：在数据非定量和不完备条件下学习网络节点参数引入了合适的智能算法和数学模型对贝叶斯网络进行适应性改进，提出一系列网络优化算法，最终建立了融合客观数据和专家知识的改进型贝叶斯网络模型，基于此模型实现对海洋环境风险的综合评估。
附图说明
图1为海洋环境风险评估问题分析；
图2为基于改进贝叶斯网络的风险评估技术路线
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施提供一种基于改进型贝叶斯网络的海洋环境风险评估方法，包括以下步骤：
（1）海洋环境风险评估指标的选取与贝叶斯网络结构的搭建；
（2）指标数据的收集与预处理；
（3）反演技术流程设计了适合于贝叶斯网络参数学习的遗传编码方式，可动态调整的交叉与变异算子，能够进行推理误差反馈的适应函数，从而实现小样本条件下基于误差反馈的参数学习。但在评估应用中，该参数学习算法要求一个前提条件，即网络中至少存在某一节点的数据集是完备的，能够统计得到其后验概率分布，这样才能构建适应度函数，实现最优搜索：
输入：CPT搜索空间，误差函数：
输出：最优CPT；
step1：初始CPT种群的创建；
step2：统计分析历史资料获取子节点的后验概率分布，构建误差函数；
step3：进行交叉、变异等遗传运算，扩展种群多样性；
step4：根据误差函数进行选择；
step5：终止条件判断，输出待求节点的最优CPT；
（4）基于上述基础操作和优化算法提出海洋环境风险评估技术流程：
输入：近岸海洋环境风险评估指标；
输出：海洋环境风险状态；
step1：对南海-印度洋近岸海洋环境进行风险辨识；
step2：选取显著影响要素作为评估指标；
其中所述Step1和Step2主要是选取合理的海洋环境要素，即气象水文要素作为风险评估指标。
step3：数据收集与预处理；从相应的气象海洋网站下载再分析格点数据，然后对数据进行规则化和离散化处理；所述规则化主要指采用双线性插值法统一数据的分辨率，离散化主要指采用自适应高斯云变换算法划分连续型指标的等级状态；最终生成离散型训练样本。
step4：贝叶斯网络结构的学习；
step5：基于遗传算法的网络节点条件概率学习；
step6：基于改进型灰关联分析的指标权重计算；
所述Step4、Step5和Step6主要是贝叶斯网络模型的构建，包括结构学习和参数学习；其中结构学习是构建网络结构，参数学习是训练网络的条件概率分布。
step7：输入评估指标先验信息进行加权推理；主要是输入评估指标的先验信息进行推理，先验信息也要进行Step3同样的数据处理过程；输入离散型先验信息推理得到海洋环境风险各等级的概率分布。
step8：评估结果可视化。
综合利用改进型贝叶斯网络，对海洋环境风险进行评估实验，构建了近岸海洋环境风险评估方案和技术流程，给出了南海-印度洋沿岸18个近岸港口城市的海洋环境风险评估结果，旨在为该海区风险预警、风险防范和风险规避提供科学依据和决策支持。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限限定。
Claims (6)
1.一种基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：包括以下步骤：
（1）海洋环境风险评估指标的选取与贝叶斯网络结构的搭建；
（2）指标数据的收集与预处理；
（3）反演技术流程设计了适合于贝叶斯网络参数学习的遗传编码方式，可动态调整的交叉与变异算子，能够进行推理误差反馈的适应函数，从而实现小样本条件下基于误差反馈的参数学习。
2.但在评估应用中，该参数学习算法要求一个前提条件，即网络中至少存在某一节点的数据集是完备的，能够统计得到其后验概率分布，这样才能构建适应度函数，实现最优搜索：
输入：CPT搜索空间，误差函数：
输出：最优CPT；
step1：初始CPT种群的创建；
step2：统计分析历史资料获取子节点的后验概率分布，构建误差函数；
step3：进行交叉、变异等遗传运算，扩展种群多样性；
step4：根据误差函数进行选择；
step5：终止条件判断，输出待求节点的最优CPT；
（4）基于上述基础操作和优化算法提出海洋环境风险评估技术流程：
输入：近岸海洋环境风险评估指标；
输出：海洋环境风险状态；
step1：对南海-印度洋近岸海洋环境进行风险辨识；
step2：选取显著影响要素作为评估指标；
step3：数据收集与预处理；
step4：贝叶斯网络结构的学习；
step5：基于遗传算法的网络节点条件概率学习；
step6：基于改进型灰关联分析的指标权重计算；
step7：输入评估指标先验信息进行加权推理；
step8：评估结果可视化。
3.根据权利要求1所述的基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：其中所述步骤（1）主要是选取合理的海洋环境要素，即气象水文要素作为风险评估指标；
根据权利要求1所述的基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：所述步骤（4）中Step3是从相应的气象海洋网站下载再分析格点数据，然后对数据进行规则化和离散化处理。
4.根据权利要求3所述的基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：所述规则化主要指采用双线性插值法统一数据的分辨率，离散化主要指采用自适应高斯云变换算法划分连续型指标的等级状态；最终生成离散型训练样本。
5.根据权利要求1所述的基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：所述步骤（4）中的Step4、Step5和Step6主要是贝叶斯网络模型的构建，包括结构学习和参数学习；其中结构学习是构建网络结构，参数学习是训练网络的条件概率分布。
6.根据权利要求1所述的基于改进型贝叶斯网络的海洋环境风险评估方法，其特征在于：所述步骤（4）中的Step7主要是输入评估指标的先验信息进行推理，先验信息也要进行Step3同样的数据处理过程；输入离散型先验信息推理得到海洋环境风险各等级的概率分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910742565.XA CN110610293A (zh) | 2019-08-13 | 2019-08-13 | 基于改进型贝叶斯网络的海洋环境风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910742565.XA CN110610293A (zh) | 2019-08-13 | 2019-08-13 | 基于改进型贝叶斯网络的海洋环境风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110610293A true CN110610293A (zh) | 2019-12-24 |
Family
ID=68890010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910742565.XA Pending CN110610293A (zh) | 2019-08-13 | 2019-08-13 | 基于改进型贝叶斯网络的海洋环境风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610293A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260264A (zh) * | 2020-05-06 | 2020-06-09 | 成都四方伟业软件股份有限公司 | 一种资源型城市生态安全预警的方法及装置 |
| CN112330475A (zh) * | 2020-11-26 | 2021-02-05 | 重庆趣嗨租科技有限公司 | 一种ai风险识别系统 |
| CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价系统 |
| CN114186900A (zh) * | 2022-02-17 | 2022-03-15 | 北京科技大学 | 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 |
| CN115130887A (zh) * | 2022-07-08 | 2022-09-30 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
| CN115190474A (zh) * | 2022-07-21 | 2022-10-14 | 河海大学 | 一种面向海洋观监测传感网的隐私感知计算任务卸载方法 |
| CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
| CN118037048A (zh) * | 2024-02-27 | 2024-05-14 | 北京市科学技术研究院 | 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106411854A (zh) * | 2016-09-06 | 2017-02-15 | 中国电子技术标准化研究院 | 一种基于模糊贝叶斯的网络安全风险评估方法 |
| CN107767954A (zh) * | 2017-10-16 | 2018-03-06 | 中国科学院地理科学与资源研究所 | 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法 |
| CN108632266A (zh) * | 2018-04-27 | 2018-10-09 | 华北电力大学 | 一种配电通信网络安全态势感知方法 |
-
2019
- 2019-08-13 CN CN201910742565.XA patent/CN110610293A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106411854A (zh) * | 2016-09-06 | 2017-02-15 | 中国电子技术标准化研究院 | 一种基于模糊贝叶斯的网络安全风险评估方法 |
| CN107767954A (zh) * | 2017-10-16 | 2018-03-06 | 中国科学院地理科学与资源研究所 | 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法 |
| CN108632266A (zh) * | 2018-04-27 | 2018-10-09 | 华北电力大学 | 一种配电通信网络安全态势感知方法 |
Non-Patent Citations (5)
| Title |
|---|
| MING LI等: "Improved Bayesian Network-Based Risk Model and Its Application in Disaster Risk Assessment", 《INTERNATIONAL JOURNAL OF DISASTER RISK SCIENCE》 * |
| 李德毅 等: "《水下攻防系统的信号处理与目标识别技术》", 哈尔滨工程大学出版社 * |
| 李明 等: "知识不确定条件下基于贝叶斯网络的风险评价与管理", 《中囯管理科学》 * |
| 李明等: "基于加权贝叶斯网络的海洋灾害风险评估", 《海洋通报》 * |
| 黄伟: "基于改进贝叶斯网络的风险评估模型研究", 《网络安全技术与应用》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260264A (zh) * | 2020-05-06 | 2020-06-09 | 成都四方伟业软件股份有限公司 | 一种资源型城市生态安全预警的方法及装置 |
| CN112330475A (zh) * | 2020-11-26 | 2021-02-05 | 重庆趣嗨租科技有限公司 | 一种ai风险识别系统 |
| CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价系统 |
| CN114186900A (zh) * | 2022-02-17 | 2022-03-15 | 北京科技大学 | 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 |
| CN115130887A (zh) * | 2022-07-08 | 2022-09-30 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
| CN115130887B (zh) * | 2022-07-08 | 2023-08-22 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
| CN115190474A (zh) * | 2022-07-21 | 2022-10-14 | 河海大学 | 一种面向海洋观监测传感网的隐私感知计算任务卸载方法 |
| CN115190474B (zh) * | 2022-07-21 | 2024-05-03 | 河海大学 | 一种面向海洋观监测传感网的隐私感知计算任务卸载方法 |
| CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
| CN118037048A (zh) * | 2024-02-27 | 2024-05-14 | 北京市科学技术研究院 | 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统 |
| CN118037048B (zh) * | 2024-02-27 | 2024-07-30 | 北京市科学技术研究院 | 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610293A (zh) | 基于改进型贝叶斯网络的海洋环境风险评估方法 | |
| Wang et al. | Multi-step ahead wind speed forecasting using an improved wavelet neural network combining variational mode decomposition and phase space reconstruction | |
| Do et al. | An effective spatial-temporal attention based neural network for traffic flow prediction | |
| CN107886161A (zh) | 一种提高复杂信息系统效能的全局敏感性分析方法 | |
| CN103974311A (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
| Lou et al. | A convolutional neural network approach to predicting network connectedness robustness | |
| Stepchenko et al. | Nonlinear, non-stationary and seasonal time series forecasting using different methods coupled with data preprocessing | |
| Xia et al. | Deciphering spatio-temporal graph forecasting: A causal lens and treatment | |
| CN113360848A (zh) | 一种时序数据预测方法及装置 | |
| CN111027733A (zh) | 一种基于大数据技术的石油化工装置产品收率优化方法 | |
| Nannan et al. | Adaptive online time series prediction based on a novel dynamic fuzzy cognitive map | |
| CN117786824B (zh) | 一种基于多目标优化的隧道环境参数设计方法及系统 | |
| CN118194487A (zh) | 一种电路与用电设备自动化布置方法、介质及系统 | |
| Singh | Big data time series forecasting model: a fuzzy-neuro hybridize approach | |
| Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
| Shi et al. | Improving the generalizability and robustness of large-scale traffic signal control | |
| Chen et al. | Artificial Intelligence/Machine Learning Technology in Power System Applications | |
| Ari et al. | DEHypGpOls: a genetic programming with evolutionary hyperparameter optimization and its application for stock market trend prediction | |
| Li et al. | Assessment of underwater navigation safety based on dynamic Bayesian network facing uncertain knowledge and various information | |
| Barrachina et al. | Can neural network solve everything? Case study of contradiction in logistic processes with neural network optimisation | |
| Mbilong et al. | Artificial Intelligence-Enabled and Period-Aware Forecasting COVID-19 Spread. | |
| Qiu et al. | CDSTTN: A Data Imputation Method for Cyber-Physical Systems by Causal Dense Spatial–Temporal Transformer Network | |
| Liu et al. | Trustworthy distributed intelligence for smart cities | |
| Ma et al. | Research on modeling and forecasting driven by time series stream data | |
| Dang | Development of Structural Damage Detection Method Working with Contaminated Vibration Data via Autoencoder and Gradient Boosting |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |