CN110930024B - 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 - Google Patents
一种基于贝叶斯网络的深海应急态势智能分析系统及方法 Download PDFInfo
- Publication number
- CN110930024B CN110930024B CN201911143804.6A CN201911143804A CN110930024B CN 110930024 B CN110930024 B CN 110930024B CN 201911143804 A CN201911143804 A CN 201911143804A CN 110930024 B CN110930024 B CN 110930024B
- Authority
- CN
- China
- Prior art keywords
- emergency
- data
- emergency situation
- deep sea
- bayesian network
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004445 quantitative analysis Methods 0.000 claims description 18
- 239000013535 sea water Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000009429 distress Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000003305 oil spill Substances 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的深海应急态势智能分析系统及方法,属于深海应急态势风险智能分析技术,该系统包括应急数据获取模块、应急数据处理模块、应急态势分析模块和应急态势显示模块,可从数据库系统中读取深海应急现场产生的数据,也可以通过对话框界面获取人工输入的现场应急数据,并对其进行预处理,通过采用应急态势智能分析模型,输入经过预处理的数据,输出为应急态势风险的量化分析结果。该分析方法用来进行应急态势分析模型的构建,实现系统中应急态势分析模块的主要功能,该系统和方法量化了深海应急过程中潜在的风险,从全局视角提升对应急作业风险的发现、识别和分析能力,提高了应急救援指挥人员对态势风险信息的掌握,对辅助应急决策方案的生成具有重大价值和意义。
Description
技术领域
本发明涉及深海应急态势风险智能分析技术,尤其涉及一种基于贝叶斯网络的深海应急态势智能分析系统及方法。
背景技术
深海应急响应作业现场具有态势瞬息多变,涉及到的环境及救助因素过多,应急时间相对紧迫,深海应急作业技术要求高等特点,为了做出合理高效的应急决策,这就要求救助指挥人员在应急现场或者岸基指挥中心能对现场态势有着十分直观清晰的判断。然而,受水文气象环境、救助力量、应急救援目标的状态等多方面的影响,救援人员很难准确的把握每个因素产生的影响,对整体应急态势也缺乏精准的理解。目前在深海应急领域,对应急态势的掌握不仅实时性较差,而且手段单一,大部分情况下多是由现场人工凭经验完成,缺乏智能化的辅助手段。因此,深海应急作业亟需智能化的态势量化分析手段的支持。
贝叶斯网络(Bayesian Network,BN)模型,是一种将概率论和图论相结合进行不确定性推理的概率图模型工具,可系统地描述随机变量之间的关系,其在军事、医疗、交通等领域有着非常广泛的应用。BN借助有向无圈图来刻画变量之间的依赖关系,并使用条件概率表(Conditional Probability Table,简称CPT)来描述变量的联合概率分布。由于BN模型是一种严格的数学语言,以有向无环图的形式展示,直观易懂,非常方便专家讨论交流和构建模型。目前,基于贝叶斯网络模型的态势分析,多集中于陆上交通领域和军事领域,且模型的构建需要大量的历史数据进行学习,在深海应急领域尚无应用的先例。
深海应急作业本身存在较多的不确定性因素,对应急态势的智能分析属于不确定性推理问题,而BN模型具有强大的不确定推理能力,适合应急领域的态势分析问题。然而,由于历史数据的缺乏,在构建BN模型时难以通过数据学习的方式进行。因此,研究如何在深海应急领域构建基于贝叶斯网络模型的态势分析模型是十分必要的。
发明内容
根据现有技术存在的问题,本发明公开了一种基于贝叶斯网络的深海应急态势智能分析系统,其特征在于:包括:
应急数据获取模块:用于从数据库中获取应急态势分析所需要的作业现场应急数据或通过对话框的形式获取操作人员手动输入的应急数据;
应急数据处理模块:用于对所述应急数据获取模块获取的应急数据进行预处理;
应急态势分析模块:针对所述应急数据处理模块处理后的数据,结合预先建立的贝叶斯网络模型,基于变量消元法进行精确推理;根据贝叶斯网络模型的推理结果,结合模糊综合评价法对深海应急态势进行量化分析,得到应急态势量化分析结果;
应急态势显示模块:用于将所述应急态势分析模块输出的量化分析结果进行显示。
进一步地:所述作业现场应急数据包括海洋环境数据、应急力量数据和应急目标数据;
所述海洋环境数据包括海水流速流向数据、风速风向数据和水温数据;
所述应急力量数据包括水下ROV设备输出的状态信息数据和应急母船状态数据;
所述应急目标数据包括应急打捞目标和应急救助目标的状态信息数据。
进一步地:手动输入的数据包括能见度信息、海底底质信息和现场溢油信息。
进一步地:所述应急数据预处理定义过程如下:
对于水下流速,定义当水下流速小于0.5节时,取值为“慢”,当水下流速在0.5节以上取值为“快”;
对于海面流速,定义当海面流速小于1.0m/s时,取值为“慢”,当海面流速在1.0m/s以上,取值为“快”;
对于海水温度,当水下工作温度范围在3~30℃时取值为“是”,表示温度在正常范围内,否则取值为“否”,表示海水温度异常;
对于风速,定义风力在四级以下,取值为“弱”,风力五级和六级,取值为“一般”,风力七级以上,取值为“强”;
对于风向,定义当应急母船为顶风或偏顶风状态时,取值为“逆风”,否则取值为“顺风”;
对于水面流向数据,定义当应急母船状态为顶流或偏顶流时取值为“逆流”,否则取值为“顺流”。
进一步地:所述应急态势进行量化分析结果分成三个风险等级,包括风险高、风险中和风险低。一种基于贝叶斯网络的深海应急态势智能分析方法,其特征在于:包括如下步骤:
S1:结合深海应急领域背景知识和历史案例,对深海应急态势影响因素进行提取;
S2:构建深海应急态势分析贝叶斯网络模型,包括应急打捞场景下的态势智能分析模型和应急救助场景下的态势智能分析模型;
S3:采集作业现场应急数据,包括海洋环境数据、应急力量数据和应急目标数据,并对数据进行预处理;
S4:将经过预处理后的数据输入贝叶斯网络模型,利用变量消元法进行精确推理,获得节点变量的后验概率;
S5:在贝叶斯网络模型输出结果的基础上,结合模糊综合评价法,得出整体应急态势量化分析结果。
进一步地:
所述构建深海应急贝叶斯网络模型过程中,贝叶斯网络的节点采用提取的深海应急态势影响因素,贝叶斯网络拓扑结构通过借助专家知识进行确定。
进一步地:所述贝叶斯网络节点之间的关系通过建立条件概率表进行表示,通过搜集专家知识的方式进行确定,并采用DS证据理论对搜集到的多个专家知识进行合成,针对存在上下文关系的节点,采用树-CPD表示。
进一步地:所述整体应急态势量化分析,采用在贝叶斯网络精确推理的前提下,使用模糊综合评价法,将贝叶斯网络模型的精确推理结果作为模糊评价矩阵R,即
rnm表示n个因素和m个评语之间对应的模糊二元关系;
因素重要程度模糊集A需要采用专家调查问卷的形式加以确定,结果记为A=(a1,a2,...,an),ai称为因素的重要程度系数,是第i种因素对最终评价结果影响程度的度量;
利用模糊综合评价公式可得:
为确定评价结果B的取值,采用广义加权平均法进行确定,即:
根据最大隶属度原则,可确定态势风险的等级及对应的量化数值。
由于采用了上述技术方案,本发明提供了一种基于贝叶斯网络的深海应急态势智能分析系统及方法,该系统应用于深海应急救助打捞领域,可安装在应急救捞现场的作业母船上或者安装在海上应急指挥中心,该系统包括应急数据获取模块、应急数据处理模块、应急态势分析模块、应急态势显示模块,可从数据库系统中读取深海应急现场产生的数据,也可以通过对话框界面获取人工输入的现场应急数据,并对其进行预处理。该分析方法,核心算法采用了贝叶斯网络算法,BN算法具有强大的不确定性推理能力,非常符合深海应急场景不确定的特点。对深海应急态势风险的量化分析,量化了深海应急过程中潜在的风险,运用智能技术,从全局视角提升对应急安全风险的发现、识别和分析能力,提高了应急救援指挥人员对态势风险信息的掌握,对辅助应急决策方案的生成具有重大价值和意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明系统的组成结构示意图;
图2为本发明系统和方法输出态势分析结果示意图;
图3为本发明方法的步骤流程图;
图4为本发明所构建的贝叶斯网络结构示意图;
图5为树-CPD表示法示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
为了有效解决目前在深海应急作业现场,应急指挥人员对全局应急态势风险信息掌握程度低的问题,本发明设计开发了一种基于贝叶斯网络的深海应急态势智能分析系统,系统可从数据库中读取应急数据,并进行数据预处理,通过态势智能分析模型最终生成量化的态势风险分析结果,为应急指挥人员提供有价值的应急信息。
图1为本发明所述系统的组成结构示意图,所述应急态势分析系统主要包括下述四个部分,其分别为:
应急数据获取模块,可从数据库系统中读取作业现场应急数据,也可以通过对话框的形式获取操作人员手动输入的应急数据,所述作业现场应急数据的来源为:海洋环境数据、应急力量数据和应急目标数据。具体的,海洋环境数据主要包括ADCP测得的海水流速流向数据、气象站测得的风速风向数据、XBT测得的海水水温数据;所述应急力量数据主要包括水下ROV设备输出的状态信息数据、应急母船状态数据;所述应急目标数据主要包括采集到的应急打捞目标或应急救助目标的状态信息数据。
应急数据处理模块,在获得实测应急数据的前提下,需要对应急数据进行预处理,以满足应急态势智能分析模型的输入要求。
具体的,所述对应急数据的预处理定义过程如下包括:
对于水下流速,定义当水下流速小于0.5节时,取值为“慢”,当水下流速在0.5节以上取值为“快”;
对于海面流速,定义当海面流速小于1.0m/s时,取值为“慢”,当海面流速在1.0m/s以上,取值为“快”;
对于海水温度,当水下工作温度范围在3~30℃时取值为“是”,表示温度在正常范围内,否则取值为“否”,表示海水温度异常;
对于风速,定义风力在四级以下,取值为“弱”,风力五级和六级,取值为“一般”,风力七级以上,取值为“强”;
对于风向,定义当应急母船为顶风或偏顶风状态时,取值为“逆风”,否则取值为“顺风”;
对于水面流向数据,定义当应急母船状态为顶流或偏顶流时取值为“逆流”,否则取值为“顺流”。
应急态势分析模块,将预处理后的数据作为应急态势智能分析模型的输入,具体的,所述应急态势智能分析模型采用了贝叶斯网络模型,假设B为定义在含有若干节点{X1,X2,...,Xn}上的一个贝叶斯网络模型,其联合概率分布可以表示为各节点的条件概率分布的乘积,其中Pai表示节点Xi的父节点,PB表示概率分布,通过BN算法可以极大地简化联合概率分布问题的求解。
具体的,以应急打捞场景下模型后验概率的计算问题为例,采用变量消元法进行精确推理,得出海洋环境状态、应急力量状态、应急目标状态节点的后验概率值。
进一步地,针对获得的节点状态的后验概率值,采用模糊综合评价法得出整体应急态势的量化分析结果,将贝叶斯网络模型的精确推理结果作为模糊评价矩阵R,以应急打捞场景下的应急态势分析为例,可得模糊评价矩阵为,
rnm表示n个因素和m个评语之间对应的模糊二元关系;
因素重要程度模糊集A需要采用专家调查问卷的形式加以确定,结果记为A=(a1,a2,...,an),ai称为因素的重要程度系数,是第i种因素对最终评价结果影响程度的度量;
利用模糊综合评价公式可得:
为确定评价结果B的取值,采用广义加权平均法进行确定,即:
经计算得出最终态势的综合评价为(b1,b2,b3),最后根据最大隶属度原则,可确定态势风险的等级及对应的量化数值。
应急态势显示模块,针对应急态势的量化分析结果,采用条形柱状图的形式进行展示,具体的,将应急态势风险的量化分析结果分为:风险高、风险中、风险低,具体的数值大小用百分比表示,图2为本发明系统和方法输出态势分析结果示意图。
一种基于贝叶斯网络的应急态势智能分析方法,图3为本发明方法的步骤流程图,其包括如下步骤:
步骤一:结合深海应急领域背景知识和历史救捞案例,完成深海应急态势影响因素的提取。具体的,以应急打捞场景为例,提取的态势影响因素有:“遇险目标类型”、“灾情类型”、“破损情况”、“是否有溢油风险”、“装载情况”、“沉船姿态”、“是否下陷”、“水下流速”、“水下流向”、“水下温度”、“水下能见度”、“海底底质”、“水上能见度”、“海面流速”、“海面流向”、“风速”、“风向”、“ROV安全状态”、“母船安全状态”等。
步骤二:构建深海应急态势分析贝叶斯网络模型,包括应急打捞场景下的态势智能分析模型和应急救助场景下的态势智能分析。具体的,将步骤一中提取的态势影响因素作为贝叶斯网络的节点变量,结合应急领域背景知识确定节点变量之间的因果关系,进而确定完整的贝叶斯网络模型结构,对于一些无法确定因果关系的节点,采用咨询相关领域专家知识的方式获得,
以应急打捞场景为例,图4为本发明所构建的贝叶斯网络结构示意图,具体的,对于贝叶斯网络节点之间关系的确定,通过建立条件概率表进行表示,条件概率值的大小通过采用咨询相关领域专家的方式获得,在此基础上,采用DS证据合成理论对专家知识进行合成,降低专家知识的主观性,对于一些需要考虑上下文关系的节点变量,其概率关系可以采用树-CPD进行表示,通过这种条件概率关系表示方法,可以大大减少需要学习的参数,提高了模型的计算效率,图5为树-CPD表示法示意图。
步骤三:采集作业现场应急数据,包括海洋环境数据、应急力量数据和应急目标数据,并对数据进行预处理;
步骤四:将经过预处理的数据输入贝叶斯网络模型,采用精确推理算法获得贝叶斯网络节点的后验概率。具体的,可采用变量消元法、团树传播算法、信念传播算法,根据简单方便的原则,本发明采用变量消元法进行模型的精确推理。
步骤四:在贝叶斯网络模型输出结果的基础上,结合模糊综合评价法,得出最终的整体应急态势量化分析结果。具体的,以应急打捞为例,经过BN模型的精确推理后,可以得到海洋环境状态、应急力量状态、应急目标状态等节点的后验概率,其每个节点均有三个状态值,分别为风险高、风险中、风险低。本发明同样将深海应急态势风险划分为三个等级,即低、中、高,很明显等级之间的界限是模糊的。因此,根据BN节点后验概率值,利用模糊综合评价法得出整体应急态势的量化分析结果,而模糊综合评价法需要确定因素模糊子集和模糊评价矩阵,具体的,可以将BN模型的精确推理结果作为模糊评价矩阵,对于因素模糊子集则需要通过制定调查问卷,借助专家知识加以确定。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于贝叶斯网络的深海应急态势智能分析系统,其特征在于:包括:
应急数据获取模块:用于从数据库中获取应急态势分析所需要的作业现场应急数据或通过对话框的形式获取操作人员手动输入的应急数据;
应急数据处理模块:用于对所述应急数据获取模块获取的应急数据进行预处理;
应急态势分析模块:应急态势分析的具体过程如下:结合深海应急领域背景知识和历史救捞案例,完成深海应急态势影响因素的提取,构建深海应急态势分析贝叶斯网络模型;将提取的深海应急态势影响因素作为贝叶斯网络的节点变量;对于贝叶斯网络节点之间因果关系的确定,通过建立条件概率表进行表示,条件概率值的大小通过采用咨询相关领域专家的方式获得,并在此基础上,采用DS证据合成理论对专家知识进行合成,针对存在上下文关系的节点,采用树-CPD表示;针对所述应急数据处理模块处理后的数据,结合建立的贝叶斯网络模型,基于变量消元法进行精确推理,得到海洋环境状态、应急力量状态、应急目标状态三个节点的后验概率;结合模糊综合评价法对深海应急态势进行量化分析,得到应急态势量化分析结果,包括态势风险等级以及对应的量化结果;
所述态势影响因素包括:“遇险目标类型”、“灾情类型”、“破损情况”、“是否有溢油风险”、“装载情况”、“沉船姿态”、“是否下陷”、“水下流速”、“水下流向”、“水下温度”、“水下能见度”、“海底底质”、“水上能见度”、“海面流速”、“海面流向”、“风速”、“风向”、“ROV安全状态”、“母船安全状态”;
所述构建深海应急态势分析贝叶斯网络模型过程中,贝叶斯网络的节点采用提取的深海应急态势影响因素,贝叶斯网络拓扑结构通过借助专家知识进行确定;
应急态势显示模块:用于将所述应急态势分析模块输出的量化分析结果进行显示;
所述应急数据预处理定义过程如下:
对于水下流速,定义当水下流速小于0.5节时,取值为“慢”,当水下流速在0.5节以上取值为“快”;
对于海面流速,定义当海面流速小于1.0m/s时,取值为“慢”,当海面流速在1.0m/s以上,取值为“快”;
对于海水温度,当水下工作温度范围在3~30℃时取值为“是”,表示温度在正常范围内,否则取值为“否”,表示海水温度异常;
对于风速,定义风力在四级以下,取值为“弱”,风力五级和六级,取值为“一般”,风力七级以上,取值为“强”;
对于风向,定义当应急母船为顶风或偏顶风状态时,取值为“逆风”,否则取值为“顺风”;
对于水面流向数据,定义当应急母船状态为顶流或偏顶流时取值为“逆流”,否则取值为“顺流”。
2.根据权利要求1所述的一种基于贝叶斯网络的深海应急态势智能分析系统,其特征还在于:所述作业现场应急数据包括海洋环境数据、应急力量数据和应急目标数据;
所述海洋环境数据包括海水流速流向数据、风速风向数据和水温数据;
所述应急力量数据包括水下ROV设备输出的状态信息数据和应急母船状态数据;
所述应急目标数据包括应急打捞目标和应急救助目标的状态信息数据。
3.根据权利要求1所述的一种基于贝叶斯网络的深海应急态势智能分析系统,其特征还在于:手动输入的数据包括能见度信息、海底底质信息和现场溢油信息。
4.根据权利要求1所述的一种基于贝叶斯网络的深海应急态势智能分析系统,其特征还在于:所述应急态势量化分析结果分成三个风险等级,包括风险高、风险中和风险低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143804.6A CN110930024B (zh) | 2019-11-20 | 2019-11-20 | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143804.6A CN110930024B (zh) | 2019-11-20 | 2019-11-20 | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930024A CN110930024A (zh) | 2020-03-27 |
CN110930024B true CN110930024B (zh) | 2024-04-26 |
Family
ID=69851399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143804.6A Active CN110930024B (zh) | 2019-11-20 | 2019-11-20 | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930024B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256275B (zh) * | 2021-07-14 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 专家系统的更新方法、业务处理方法及装置 |
CN114139550B (zh) * | 2022-02-08 | 2022-05-06 | 中国电子科技集团公司第五十四研究所 | 一种基于活动语义文本消息的态势智能认知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
CN109711087A (zh) * | 2019-01-14 | 2019-05-03 | 哈尔滨工程大学 | 一种uuv动态威胁态势评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664400B (zh) * | 2018-05-11 | 2020-08-04 | 北京航空航天大学 | 一种基于相依贝叶斯网络的故障诊断技术的构建方法 |
-
2019
- 2019-11-20 CN CN201911143804.6A patent/CN110930024B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
CN109711087A (zh) * | 2019-01-14 | 2019-05-03 | 哈尔滨工程大学 | 一种uuv动态威胁态势评估方法 |
Non-Patent Citations (1)
Title |
---|
贝叶斯网络和模糊评判结合的滚动轴承故障诊断;马德仲 等;《哈尔滨理工大学学报》;第23卷(第5期);114-117 * |
Also Published As
Publication number | Publication date |
---|---|
CN110930024A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN103366227B (zh) | 一种海上搜救目标漂移路径的预测方法 | |
Ma et al. | Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling | |
CN110930024B (zh) | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 | |
CN109657880A (zh) | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 | |
Yang et al. | An optimized BP neural network model for teaching management evaluation | |
Wang et al. | Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information | |
CN112434948B (zh) | 一种海上打捞作业海气环境风险评估系统 | |
CN118095972A (zh) | 一种基于人工智能的海洋生态环境预测评估系统 | |
CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
CN116311374A (zh) | 一种化工厂工人异常行为识别与预警方法及系统 | |
CN118095752A (zh) | 一种基于数字孪生的水库调度管理系统 | |
CN115585731A (zh) | 空天地一体化水电站空间状态智能监控管理系统及其方法 | |
CN117253344B (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
Shang et al. | A real-time green construction optimization strategy for engineering vessels considering fuel consumption and productivity: A case study on a cutter suction dredger | |
CN118052047A (zh) | 基于数字孪生的防洪四预平台应用系统 | |
CN113962426A (zh) | 一种近海水上通航安全智能预报方法和装置 | |
CN112215395A (zh) | 一种基于海洋大数据的水下装备适应性信息保障系统 | |
Xue et al. | Improved BSO for ship path planning with grounding alert using interpolated Delaunay triangulation | |
GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
Wang et al. | Multi-step Prediction AR Model of Ship Motion Based On Constructing and Correcting Error | |
CN114358502A (zh) | 一种基于优化elm的食用油风险评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |