CN112464164A - 一种人因可靠性评估的方法、装置和信息处理设备 - Google Patents
一种人因可靠性评估的方法、装置和信息处理设备 Download PDFInfo
- Publication number
- CN112464164A CN112464164A CN202011342555.6A CN202011342555A CN112464164A CN 112464164 A CN112464164 A CN 112464164A CN 202011342555 A CN202011342555 A CN 202011342555A CN 112464164 A CN112464164 A CN 112464164A
- Authority
- CN
- China
- Prior art keywords
- probability
- node
- probability value
- data
- factors
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本申请实施例提供一种人因可靠性评估的方法、装置和信息处理设备,该方法包括根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率,能够利用有限的统计数据,准确评估人因可靠性成为了亟待解决的问题。
Description
技术领域
本申请涉及可靠性分析领域,具体涉及一种人因可靠性评估的方法、装置和信息处理设备。
背景技术
相关技术中,机器已经实现高效率和高准确性作业,但关于人为操作对于作业质量的影响往往难以评判,在很多领域中由于实验的次数有限,往往难以获得足够的与人为失误相关的统计数据,例如:航天发射任务实际发射次数有限,难以获取到足够的与人为失误有关的统计数据,因此在这种情况下为准确定量的评估人因可靠性带来了困难。
因此,如何利用有限的统计数据,准确评估人因可靠性成为了亟待解决的问题。
发明内容
本申请实施例提供一种人因可靠性评估的方法、装置和信息处理设备,通过本申请的技术方案至少可以实现利用有限的统计数据,准确评估人因可靠性。
第一方面,本申请的一些实施例提供一种人因可靠性评估的方法,所述方法包括:根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
因此,本申请实施例通过人因可靠性评估的方法,能够在统计数据较少的情况下,根据不同数据来源的类型,获得对人为失误的概率以及导致人为失误概率的因素的概率,从而能够预测和规避在现实作业中的关于人因可靠性的风险,从而提高相关人员操作或控制机器(或者系统)的作业质量。
结合第一方面,在一种实施方式中,所述根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率,还包括:获取导致人为失误发生的所述各因素的所述节点概率。
因此,本申请实施例通过获取导致人为失误发生的所述各因素的所述节点概率,能够明确量化各因素发生的概率,从而提升人因风险评估的准确性和客观性。
结合第一方面,在一种实施方式中,所述概率采用概率值集合表征,其中,所述概率值集合包括:下限概率值,最可能概率值和上限概率值。
因此,本申请实施例通过采用概率值集合来表示概率,能够针对各节点更好的描述,体现最可能的概率,同时体现概率范围,从而能够从更多的方面展现各因素发生的概率。
结合第一方面,在一种实施方式中,多个所述节点包括第一节点,所述第一节点的概率值集合是通过如下方式获取的:将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合。
因此,本申请实施例通过将第一节点对应的至少一个父节点的概率数据,进行联合概率计算,能够通过父节点的联合概率推测出子节点的联合概率。
结合第一方面,在一种实施方式中,包括:所述第一节点的概率值集合包括:第一可能概率值、第一下限概率值和第一上限概率值;所述将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的所述概率值集合,包括:将所述至少一个父节点的所述第一可能概率值进行推理计算,获得第一集合;将所述至少一个父节点的第一下限概率值和所述第一上限概率值组成的区间,进行推理计算,获得第二集合;将所述第一集合和所述第二集合继续进行推理结算,获得所述第一节点的所述概率值集合。
结合第一方面,在一种实施方式中,将所述第一节点的概率值集合是通过如下公式计算得到的:
其中,P[L,M,U](Xi)表示所述节点的所述概率值集合,PA[L,M,U](Xi)表示所述节点的所述父节点的所述概率值集合,n表示所述节点的个数,Xi表示第i个所述节点。
因此,本申请实施例通过将第一节点的概率值集合进行推理结算,能够清楚客观的得到各节点的概率值集合。
结合第一方面,在一种实施方式中,所述将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合,包括:所述第一节点包括积极状态和消极状态两种,将所述第一节点对应的至少一个父节点中的所述积极状态和所述消极状态的所述概率数据,进行联合概率计算,获得所述积极状态的所述第一节点的概率值集合,和所述消极状态的所述第一节点的概率值集合。
本申请实施例通过计算各节点的积极状态和消极状态的概率值集合,能够评价人在不同因素中的表现的概率,从而更加充实模型的评估指标。
结合第一方面,在一种实施方式中,所述积极状态的所述第一下限概率值,与所述消极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一下限概率值,与所述积极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一可能概率值,与所述积极状态的所述第一可能概率值加和等于1。
本申请实施例通过明确各概率值之间的关系,能够从一状态准确的计算出另一状态的概率,同时也符合概率一致性的规定。
第二方面,本申请的一些实施例提供一种人因可靠性评估的装置,所述装置包括:生成单元,被配置为根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;添加单元,被配置为根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;计算单元,被配置为根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
结合第二方面,在一种实施方式中,计算单元,被配置为获取所述各因素导致人为失误发生的所述节点的概率。
结合第二方面,在一种实施方式中,所述概率采用概率值集合表征,其中,所述概率值集合包括:下限概率值,最可能概率值和上限概率值。
结合第二方面,在一种实施方式中,计算单元,被配置为将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合。
结合第二方面,在一种实施方式中,包括:所述第一节点的概率值集合包括:第一可能概率值、第一下限概率值和第一上限概率值;计算单元被配置为,将所述至少一个父节点的所述第一可能概率值进行推理计算,获得第一集合;将所述至少一个父节点的第一下限概率值和所述第一上限概率值组成的区间,进行推理计算,获得第二集合;将所述第一集合和所述第二集合继续进行推理结算,获得所述第一节点的所述概率值集合。
结合第二方面,在一种实施方式中,计算单元,被配置为将所述第一节点的概率值集合是通过如下公式计算得到的:
其中,P[L,M,U](Xi)表示所述节点的所述概率值集合,PA[L,M,U](Xi)表示所述节点的所述父节点的所述概率值集合,n表示所述节点的个数,Xi表示第i个所述节点。
结合第二方面,在一种实施方式中,计算单元,被配置为所述第一节点包括积极状态和消极状态两种,将所述第一节点对应的至少一个父节点中的所述积极状态和所述消极状态的所述概率数据,进行联合概率计算,获得所述积极状态的所述第一节点的概率值集合,和所述消极状态的所述第一节点的概率值集合。
结合第二方面,在一种实施方式中,所述积极状态的所述第一下限概率值,与所述消极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一下限概率值,与所述积极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一可能概率值,与所述积极状态的所述第一可能概率值加和等于1。
第三方面,本申请的一些实施例提供一种信息处理设备,所述设备包括:第一输入单元,被配置为接收输入的可导致人为失误发生的多个因素;第二输入单元,被配置为接收输入的所述多个因素之间的因果关系;处理单元,被配置为根据所述多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型添加所述节点对应的概率数据,其中,所述每个节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
第四方面,本申请实施例还提出了一种电子设备,包括:处理器、存储器和总线,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现上述所有实施方式中任一所述的方法。
第五方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现上述所有实施方式中任一所述的方法。
附图说明
图1是本申请实施例示出的一种人因可靠性评估的方法流程图;
图2是本申请实施例示出的节点示意图;
图3是本申请实施例示出的一种推理计算过程图;
图4是本申请实施例示出的一种人因可靠性评估的装置组成框图;
图5是本申请实施例示出的一种信息处理设备的内部结构图;
图6是本申请实施例示出的一种电子设备内部结构图;
图7是本申请实施例示出的具体实施例运算结果图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对附图中提供的本申请的实施例的详情描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护范围。
下面结合附图对本申请实施例进行详细描述。
本申请实施可以应用于众多场景,这些场景包括在难以获得充足历史数据来确定人因失误的场景。例如:航天发射、核电站等。这是由于航天和核电产业往往具有很高的风险,特别是在航天发射过程中,任何组件出现故障或者人员出现失误(即人因失误)都有可能导致事故的发生,因此如何获取这些场景中人因失误的情况具有非常重要的意义,但是由于这些行业也存在统计数据(在很多领域中由于实验的次数有限,往往难以获得足够的与人为失误相关的统计数据)不易获取的问题,因此,在数据不易获取、获取历史数据较为困难的场景中,可以采用本申请实施例中的方法来确定人因失误的概率,进而根据人因失误的概率来评估这些场合可能导致事故发生的概率。可以理解的是,本申请实施例的应用场景不限于此。
相关方案中,机器已经实现高效率和高准确性作业,但关于人为操作对于作业质量的影响往往难以评判,在很多领域中由于实验的次数有限,往往难以获得足够的与人为失误相关的统计数据。例如:航天发射任务实际发射次数有限,难以获取到足够的与人为失误有关的统计数据,因此在这种情况下为准确定量的评估人因可靠性带来了困难。因此,如何利用有限的统计数据,准确评估人因可靠性成为了亟待解决的技术问题。
鉴于上述问题,本申请实施例提供一种人因可靠性评估的方法,包括:根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
下面结合图1详细描述一种人因可靠性评估的方法的实施步骤,如图1所示步骤,包括:
110,根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构。
在服务器执行110步骤之前,相关人员先对历史资料和相关文献进行整理,对导致人为失误的因素进行整理和归纳,选择对人为失误有影响的因素,作为拓扑结构的节点,根据选择出的因素,建立表格明确各因素之间的相互影响关系(即因果关系),每个因素按照顺序被列在表格的横标题和纵标题中表中,横向因素表示作用对象,纵向因素表示被作用对象。这样,有相互关系的因素即可在贝叶斯网络的拓扑结构中将两个节点相连并且表明指向关系(即原因指向结果,原因是父节点,结果是子节点)。
在明确各节点之间的因果关系之后,根据可导致人为失误发生的多个因素和多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,多个因素中的各因素在拓扑结构中表示为一个节点,且多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据。
需要说明的是,多来源数据包括,历史实践中的数据、相关文献中的数据、仿真实验得到的数据、系统分析得到的数据、专家评估的数据等,本申请实施例不限于此。
在多来源的不同形式的数据中,按照其确定性进行分类以便于后续的数据填充与处理,经过统计和处理的数据,将被服务器分为以点估计形式呈现的确定性概率。例如P(A)=0.3,与以区间估计形式呈现的区间概率,例如0.6≤P(B)≤0.8。进一步地,常见的数据的形式主要包括一些概率化的参数和一些非概率化的参数。概率化的参数形式主要包括确定性概率和区间概率,这些数据都满足概率的基本定义,且能直接在基于贝叶斯网络的拓扑结构中进行概率计算,非概率化的参数形式是不能直接参与贝叶斯网络的概率计算的,需要使用一些方法进行一些特定的转换,在此本申请实施例中只考虑概率化的数据。
120,根据所述多来源数据的类型,添加所述节点对应的概率数据。
服务器在接收相关人员录入的数据之后,将这些数据按照分类规则,将数据进行分类,分成确定性概率和区间概率两种,其中,分类规则为:试验仿真、系统分析、历史统计得到的数据归为确定性概率中,专家评估得到的数据根据概率的呈现形式归为确定性概率和区间概率。
服务器在分类完成后,将各节点的确定性概率和区间概率组成的概率数据,添加到对应的节点中。
需要说明的是,确定性概率是以点估计的形式表示,前提是认知知识足够完整或理论模型合理,数据不确定性相对较小且可以忽略不计,充分的历史统计数据和精确的点估计数据可以看作是确定性概率。区间概率是以区间估计的形式表示,其不确定性表示为概率区间的间隔,其中较小的间隔区间表示较小的不确定性。
需要说明的是,本申请实施例中的概率数据包括:先验概率和条件概率,其中,先验概率是添加到没有父级的节点中的概率,条件概率是添加到有父节点的节点中的概率。
130,根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
在一种实施方式中,所述根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率,还包括:获取导致人为失误发生的所述各因素的所述节点概率。服务器在获得人为失误发生的概率的同时,也会获取到拓扑结构中各因素节点的概率。
在一种实施方式中,所述概率采用概率值集合表征,其中,所述概率值集合包括:下限概率值,最可能概率值和上限概率值。服务器在表征每个节点概率的时候,都使用三种概率值来表示同一节点的概率。
在一种实施方式中,多个所述节点包括第一节点,所述第一节点的概率值集合是通过如下方式获取的:将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合。
下面示例性阐述步骤130,根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率的具体实施例。
需要说明的是,第一节点表示除了拓扑结构最上层的没有父节点的节点以外,其他的所有节点,在步骤120中向第一节点输入的是条件概率。
根据与第一节点对应的至少一个父节点的概率数据,进行联合概率计算,从而获得第一节点的概率值集合,例如:如图2所示,A事件和B事件的箭头指向C事件,表示A事件和B事件是C事件发生的原因,也就是说A事件和B事件是C事件的两个父级,通过对A事件和B事件的概率数据进行联合概率计算,获得C事件发生的概率值集合。获得第一节点的概率值集合的具体方法如下:
传统的贝叶斯网络是由节点和边组成的有向无环图,其中节点表示事件发生的因素,节点间的边表示事件之间的因果关系,每个节点的概率可由贝叶斯网络的联合概率分布形式计算,如式(1)所示:
其中,P(Xi)表示节点的概率,PA(Xi)表示父节点的概率,Xi表示第i个所述节点,n表示所述节点的个数。
本申请实施例中的第一节点的概率值集合包含有,第一可能概率值、第一下限概率值和第一上限概率值3种,因此在公式(1)的基础上,使用3种概率值组成的概率值集合[PL,PM,PU]来表征第一节点的概率值,PL表示第一下限概率值、PM表示第一可能概率值、PU表示第一上限概率值,第一节点的概率值集合是通过公式(2)计算得到的:
其中,P[L,M,U](Xi)表示所述节点的所述概率值集合,PA[L,M,U](Xi)表示所述节点的所述父节点的所述概率值集合,n表示所述节点的个数,Xi表示第i个所述节点。当节点有一个父节点的情况下,通过此父节点的联合概率使用公式(2)计算得到第一节点的概率值集合;当节点有两个父节点的情况下,将多个父节点的联合概率使用公式(2)计算得到第一节点的概率值集合。
在分别计算第一节点概率值集合中的第一下限概率值、第一可能概率值和第一上限概率值的时候,将公式(2)变换成如下公式进行计算:
在计算第一可能概率值时,使用公式(4)计算,如公式(3)所示:
其中,PM(Xi)表示第一可能概率值,PAM(Xi)表示第一节点的父节点的可能概率值,n表示节点的个数,Xi表示第i个节点。当节点有一个父节点的情况下,通过此父节点的联合概率使用公式(3)计算得到第一节点的第一可能概率值;当节点有两个父节点的情况下,将多个父节点的联合概率使用公式(3)计算得到第一节点的第一可能概率值。
在计算第一下限概率值时,使用公式(4)计算,如公式(4)所示:
其中,PL(Xi)表示第一下限概率值,PAL∪U(Xi)表示该式表示父节点的第一下限概率和第一上限概率,也就是该节点概率的两个概率边界值,n表示节点的个数,Xi表示第i个节点。在计算第一下限概率值时候,应该将父节点的第一上限概率值和第一下限概率值同时考虑,换句话说计算父节点的第一上限概率值和第一下限概率值组成的区间,然后取计算结果的最小值作为此第一节点的第一下限概率值。
在计算第一上限概率值时,使用公式(5)计算,如公式(5)所示:
其中,PL(Xi)表示第一上限概率值,PAL∪U(Xi)表示该式表示父节点的第一下限概率和第一上限概率,也就是该节点概率的两个概率边界值,n表示节点的个数,Xi表示第i个节点。在计算第一上限概率值时候,应该将父节点的第一上限概率值和第一下限概率值同时考虑,换句话说计算父节点的第一上限概率值和第一下限概率值组成的区间,然后取计算结果的最大值作为此第一节点的第一上限概率值。在一种实施方式中,第一节点包括积极状态和消极状态两种,将第一节点对应的至少一个父节点中的积极状态和消极状态的概率数据,进行联合概率计算,获得积极状态的第一节点的概率值集合,和消极状态的第一节点的概率值集合。也就是说,在开始整理资料以及后续运算的过程中,每一个导致人为失误的因素,都包含有积极状态和消极状态两种,例如:操作人员失误的原因包括训练状态和人员状态两种,其中,训练状态包括“好”和“差”,“好”就代表训练状态的积极状态,“差”就代表训练状态的消极状态;人员状态也包括“好”和“差”,“好”就代表人员状态的积极状态,“差”就代表人员状态的消极状态,本申请实施例不限于此。
在一种实施方式中,所述积极状态的所述第一下限概率值,与所述消极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一下限概率值,与所述积极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一可能概率值,与所述积极状态的所述第一可能概率值加和等于1。
在整体拓扑结构中,各因素对应的每各节点的概率合集运算都必须满足概率的一致性,在计算第一可能概率值时,每个节点的消极状态和积极状态的概率值加和等于1,例如:a节点的消极状态的第一可能概率值为0.3,a节点的积极状态的第一可能概率值就应该为0.7;在计算消极状态的第一上限概率值、第一下限概率值和积极状态的第一上限概率值、第一下限概率值的情况下,消极状态的第一下限概率值,与积极状态的所述第一上限概率值加和等于1,消极状态的第一上限概率值,与积极状态的第一下限概率值加和等于1,例如:消极状态的第一下限概率值为0.2,积极状态的所述第一上限概率值就应该为0.8;消极状态的第一上限概率值为0.4,积极状态的所述第一下限概率值就应该为0.6。
在计算完成每个节点的概率值集合后,对基于贝叶斯的拓扑结构进行推理计算,能够得到人为失误发生的概率,进而实现对人因可靠性的评估。
在一种实施方式中,将至少一个父节点的第一可能概率值进行推理计算,获得第一集合;将至少一个父节点的第一下限概率值和所述第一上限概率值组成的区间,进行推理计算,获得第二集合;将第一集合和第二集合继续进行推理结算,获得第一节点的概率值集合。
在推理计算的过程中,需要对第一可能概率值与至少一个父节点的第一下限概率值和第一上限概率值组成的区间分别进行计算,最终形成一个整体的贝叶斯网络。进一步地,在对第一下限概率值和第一上限概率值组成的区间进行推理时,可将其理解为在该区间范围内取任意值的贝叶斯网络的集合,因此在计算时可将贝叶斯网络中的第一下限概率值和第一上限概率值进行组合,从而算出多个贝叶斯网络的结果,这些结果的集合即可认为是整个区间贝叶斯网络的推理结果。进一步地,在进行灵敏度分析等贝叶斯相关分析时也应当遵循上述原则,既要采用合理的方式进行分析计算,又不能将贝叶斯网络割裂,而要从整体进行分析。
例如:如图3所示,A事件和B事件进行首次计算后得到了C时间的概率集合,先将A事件的第一可能概率和B事件的第一可能概率进行推理计算得到C事件发生的各种情况的第一集合310,将A事件的概率区间于B时间的概率区间进行对比,得到C事件发生的第二集合320,再将第一集合与第二集合进行推理计算,得到C事件发生的最终概率。
上文详细描述了本申请实施例中的一种人因可靠性评估的方法,下面将结合附图详细描述一种人因可靠性评估的装置和一种信息处理设备。
本申请实施例提供一种人因可靠性评估的装置,包括:生成单元410、添加单元420和计算单元430。
所述装置包括:生成单元,被配置为根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;添加单元,被配置为根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;计算单元,被配置为根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
在一种实施方式中,计算单元,被配置为获取所述各因素导致人为失误发生的所述节点的概率。
在一种实施方式中,所述概率采用概率值集合表征,其中,所述概率值集合包括:下限概率值,最可能概率值和上限概率值。
在一种实施方式中,计算单元,被配置为将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合。
在一种实施方式中,包括:所述第一节点的概率值集合包括:第一可能概率值、第一下限概率值和第一上限概率值;计算单元被配置为,将所述至少一个父节点的所述第一可能概率值进行推理计算,获得第一集合;将所述至少一个父节点的第一下限概率值和所述第一上限概率值组成的区间,进行推理计算,获得第二集合;将所述第一集合和所述第二集合继续进行推理结算,获得所述第一节点的所述概率值集合。
在一种实施方式中,将所述第一节点的概率值集合是通过如下公式计算得到的:
其中,P[L,M,U](Xi)表示所述节点的所述概率值集合,PA[L,M,U](Xi)表示所述节点的所述父节点的所述概率值集合,n表示所述节点的个数,Xi表示第i个所述节点。
在一种实施方式中,计算单元,被配置为所述第一节点包括积极状态和消极状态两种,将所述第一节点对应的至少一个父节点中的所述积极状态和所述消极状态的所述概率数据,进行联合概率计算,获得所述积极状态的所述第一节点的概率值集合,和所述消极状态的所述第一节点的概率值集合。
在一种实施方式中,所述积极状态的所述第一下限概率值,与所述消极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一下限概率值,与所述积极状态的所述第一上限概率值加和等于1;所述消极状态的所述第一可能概率值,与所述积极状态的所述第一可能概率值加和等于1。
在本申请实施例中,图4所示的生成单元410、添加单元420和计算单元430,能够实现图1至图3方法实施例中涉及图片信息提取方法中的各个过程。图4中的各个模块的操作和/或功能,分别为了实现图1至图3中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
本申请提供一种信息处理设备,如图5所示,包括:第一输入单元510、第二输入单元520和处理单元530。
所述设备包括:第一输入单元,被配置为接收输入的多个因素;第二输入单元,被配置为接收输入的所述多个因素之间的因果关系;处理单元,被配置为根据可导致人为失误发生的所述多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型添加所述节点对应的概率数据,其中,所述每个节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
需要说明的是,第一输入单元和第二输入单元可以合并成一个单元,也可以是分开的两个单元,可以是键盘输入、语音输入等各种输入方式,本申请实施例不限于此。
如图6所示,本申请实施例还提出了,一种电子设备,包括:处理器610、存储器620和总线630,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现上述所有实施方式中任一所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
其中,总线用于实现这些组件直接的连接通信。其中,本申请实施例中处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,可以执行上述实施例中所述的方法。
可以理解,图6所示的结构仅为示意,还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现上述所有实施方式中任一所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
本申请实施例的具有如下有益效果:在建立基于贝叶斯网络拓扑结构的过程中引入下限概率值、可能概率值和上限概率值组成的概率值集合,能够充分利用历史数据和资料,与传统贝叶斯网络相比能够展示更多的概率值,从而能够更加精准的表征各因素对人因失误影响的概率,适用于类似于航天发射这一类统计数据较少场景的人因可靠性分析,为预测和规避风险作出了指导。
由于本申请实施例中可以应用于多种场景,下面结合具体的航天发射场的场景来描述具体实施例。
由于航天发射任务本身可靠性相对较高,实际发射次数有限,因此往往难以获取到足够的与人为失误有关的统计数据,这也就给准确定量地评估航天发射场的人因可靠性带来了困难,为此相关人员先对历史资料和相关文献进行整理,对导致人为失误的因素进行整理和归纳,选择出至少一条因素,作为拓扑结构的节点,根据选择出的因素,建立表格明确各因素之间的相互影响关系(即因果关系),每个因素按照顺序被列在表格的横标题和纵标题中表中,如表1所示,横向因素表示作用对象,纵向因素表示被作用对象。这样,有相互关系的因素即可在贝叶斯网络的拓扑结构中将两个节点相连并且表明指向关系。
表1各因素因果关系表
对通过各种来源收集到的不同形式的数据进行归类整理、分类以便于后续的数据填充与处理,经过处理的数据将被分为以点估计形式呈现的确定性概率与以区间估计形式呈现的区间概率,服务器在分类完成后,将各节点的确定性概率和区间概率组成的概率数据,添加到对应的节点中。
本申请实施例中的第一节点的概率值集合包含有,第一可能概率值、第一下限概率值和第一上限概率值3种,因此使用3种概率值组成的概率值集合[PL,PM,PU]来表征第一节点的概率值,PL表示第一下限概率值、PM表示第一可能概率值、PU表示第一上限概率值,第一节点的概率值集合是通过公式(2)计算得到的:
其中,P[L,M,U](Xi)表示所述节点的所述概率值集合,PA[L,M,U](Xi)表示所述节点的所述父节点的所述概率值集合,n表示所述节点的个数,Xi表示第i个所述节点。当节点有一个父节点的情况下,通过此父节点的联合概率使用公式(2)计算得到第一节点的概率值集合;当节点有两个父节点的情况下,将多个父节点的联合概率使用公式(2)计算得到第一节点的概率值集合。
在分别计算第一节点概率值集合中的第一下限概率值、第一可能概率值和第一上限概率值的时候,将公式(2)变换成如下公式进行计算:
在计算第一可能概率值时,使用公式(3)计算,如公式(3)所示:
其中,PM(Xi)表示第一可能概率值,PAM(Xi)表示第一节点的父节点的可能概率值,n表示节点的个数,Xi表示第i个节点。当节点有一个父节点的情况下,通过此父节点的联合概率使用公式(3)计算得到第一节点的第一可能概率值;当节点有两个父节点的情况下,将多个父节点的联合概率使用公式(3)计算得到第一节点的第一可能概率值。
在计算第一下限概率值时,使用公式(4)计算,如公式(4)所示:
其中,PL(Xi)表示第一下限概率值,PAL∪U(Xi)表示该式表示父节点的第一下限概率和第一上限概率,也就是该节点概率的两个概率边界值,n表示节点的个数,Xi表示第i个节点。在计算第一下限概率值时候,应该将父节点的第一上限概率值和第一下限概率值同时考虑,换句话说计算父节点的第一上限概率值和第一下限概率值组成的区间,然后取计算结果的最小值作为此第一节点的第一下限概率值。
在计算第一上限概率值时,使用公式(5)计算,如公式(5)所示:
其中,PL(Xi)表示第一上限概率值,PAL∪U(Xi)表示该式表示父节点的第一下限概率和第一上限概率,也就是该节点概率的两个概率边界值,n表示节点的个数,Xi表示第i个节点。在计算第一上限概率值时候,应该将父节点的第一上限概率值和第一下限概率值同时考虑,换句话说计算父节点的第一上限概率值和第一下限概率值组成的区间,然后取计算结果的最小值作为此第一节点的第一上限概率值。
在整体拓扑结构中,各因素对应的每各节点的概率合集运算都必须满足概率的一致性,在计算第一可能概率值时,每个节点的消极状态和积极状态的概率值加和等于1。
补充根据已有数据尚未能填充满的贝叶斯网络,同时对已填充的数据进行审查,以使整个三点贝叶斯网络数据完整且符合自身对数据不确定性的规定。
进一步地,如果某个节点的数据是假设确定型数据,那么该点的三个概率值均为第一可能概率值。如果该节点的数据是区间概率,那么则需要给出一个合理的第一可能概率值,如果没有更多概率信息一般可见其视作正态分布也即将其概率区间的中值作为第一可能概率值,同时,在填充数据时也需要对已有的一些数据进行审查,如果评定为与模型整体的数据不确定性不符的话,那么也需要对三个概率值进行一些调整。
对得到的三点贝叶斯进行推理计算能得到人为失误的发生概率,进而实现对人因可靠性的定量估计以预测风险,利用这些分析能够对航天发射场的人为因素进行风险分析,找寻关键人为失误致因,进而合理规避、降低风险,为工程实际做出指导。
在推理计算的过程中,需要对第一可能概率值与至少一个父节点的第一下限概率值和第一上限概率值组成的区间分别进行计算,最终形成一个整体的贝叶斯网络。进一步地,在对第一下限概率值和第一上限概率值组成的区间进行推理时,可将其理解为在该区间范围内取任意值的贝叶斯网络的集合,因此在计算时可将贝叶斯网络中的第一下限概率值和第一上限概率值进行组合,从而算出多个贝叶斯网络的结果,这些结果的集合即可认为是整个区间贝叶斯网络的推理结果。进一步地,在进行灵敏度分析等贝叶斯相关分析时也应当遵循上述原则,既要采用合理的方式进行分析计算,又不能将贝叶斯网络割裂,而要从整体进行分析。
最终经过上述步骤可以得到航天发射场的人因可靠性评估模型的贝叶斯网络及其推理的结果,如图7所示。其中,节点概率图中导致人为失误发生还是不发生由指挥人员和操作人员决定,指挥人员和操作人员的正确还是失误由训练状态和人员状态决定,由此类推,每个子节点的状态都由至少一个父节点的状态决定。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人因可靠性评估的方法,其特征在于,所述方法包括:
根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;
根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;
根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率,还包括:
获取导致人为失误发生的所述各因素的节点概率。
3.根据权利要求1或2所述的方法,其特征在于,
所述概率采用概率值集合表征,其中,所述概率值集合包括:下限概率值,最可能概率值和上限概率值。
4.根据权利要求3所述的方法,其特征在于,多个所述节点包括第一节点,所述第一节点的概率值集合是通过如下方式获取的:
将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合。
5.根据权利要求4所述的方法,其特征在于,包括:所述第一节点的概率值集合包括:第一可能概率值、第一下限概率值和第一上限概率值;
所述将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的所述概率值集合,包括:
将所述至少一个父节点的所述第一可能概率值进行推理计算,获得第一集合;
将所述至少一个父节点的第一下限概率值和所述第一上限概率值组成的区间,进行推理计算,获得第二集合;
将所述第一集合和所述第二集合继续进行推理结算,获得所述第一节点的所述概率值集合。
7.根据权利要求4中所述的方法,其特征在于,所述将所述第一节点对应的至少一个父节点的所述概率数据,进行联合概率计算,获得所述第一节点的概率值集合,包括:
所述第一节点包括积极状态和消极状态两种,将所述第一节点对应的所述至少一个父节点中的所述积极状态和所述消极状态的所述概率数据,进行联合概率计算,获得所述积极状态的所述第一节点的概率值集合,和所述消极状态的所述第一节点的概率值集合。
8.根据权利要求7中所述的方法,其特征在于,
所述积极状态的第一下限概率值,与所述消极状态的第一上限概率值加和等于1;
所述消极状态的所述第一下限概率值,与所述积极状态的所述第一上限概率值加和等于1;
所述消极状态的第一可能概率值,与所述积极状态的所述第一可能概率值加和等于1。
9.一种人因可靠性评估的装置,其特征在于,所述装置包括:
生成单元,被配置为根据可导致人为失误发生的多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;
添加单元,被配置为根据所述多来源数据的类型,添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;
计算单元,被配置为根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
10.一种信息处理设备,其特征在于,所述设备包括:
第一输入单元,被配置为接收输入的可导致人为失误发生的多个因素;
第二输入单元,被配置为接收输入的所述多个因素之间的因果关系;
处理单元,被配置为根据所述多个因素和所述多个因素之间的因果关系生成基于贝叶斯网络的拓扑结构,其中,所述多个因素中的各因素在所述拓扑结构中表示为一个节点,且所述多个因素是通过分析多来源数据获取的,所述多来源数据至少包括历史数据;根据所述多来源数据的类型添加所述节点对应的概率数据,其中,所述节点对应的所述概率数据由确定性概率和/或区间概率表示;根据所述拓扑结构和所述概率数据,至少获得人为失误发生的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342555.6A CN112464164A (zh) | 2020-11-25 | 2020-11-25 | 一种人因可靠性评估的方法、装置和信息处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342555.6A CN112464164A (zh) | 2020-11-25 | 2020-11-25 | 一种人因可靠性评估的方法、装置和信息处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464164A true CN112464164A (zh) | 2021-03-09 |
Family
ID=74808241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342555.6A Pending CN112464164A (zh) | 2020-11-25 | 2020-11-25 | 一种人因可靠性评估的方法、装置和信息处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657599A (zh) * | 2021-08-20 | 2021-11-16 | 北京航空航天大学 | 事故因果推理方法、装置、电子设备及可读存储介质 |
CN113762104A (zh) * | 2021-08-23 | 2021-12-07 | 北京航空航天大学 | 基于脑电信号的情景意识评估方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN110895495A (zh) * | 2019-10-10 | 2020-03-20 | 中广核工程有限公司 | 人因失误分析方法、系统、计算机设备及存储介质 |
US20200334638A1 (en) * | 2017-11-21 | 2020-10-22 | Alibaba Group Holding Limited | Method and apparatus for processing loss assessment data for car insurance and processing device |
-
2020
- 2020-11-25 CN CN202011342555.6A patent/CN112464164A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
US20200334638A1 (en) * | 2017-11-21 | 2020-10-22 | Alibaba Group Holding Limited | Method and apparatus for processing loss assessment data for car insurance and processing device |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN110895495A (zh) * | 2019-10-10 | 2020-03-20 | 中广核工程有限公司 | 人因失误分析方法、系统、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657599A (zh) * | 2021-08-20 | 2021-11-16 | 北京航空航天大学 | 事故因果推理方法、装置、电子设备及可读存储介质 |
CN113762104A (zh) * | 2021-08-23 | 2021-12-07 | 北京航空航天大学 | 基于脑电信号的情景意识评估方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124840A (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN104461896B (zh) | 基于可信属性的航天系统关键软件评价方法 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN112464164A (zh) | 一种人因可靠性评估的方法、装置和信息处理设备 | |
Mahaweerawat et al. | Fault prediction in object-oriented software using neural network techniques | |
CN110895506A (zh) | 测试数据的构造方法和构造系统 | |
Mauša et al. | Multivariate logistic regression prediction of fault-proneness in software modules | |
Lin et al. | Probabilistic hesitant fuzzy methods for prioritizing distributed stream processing frameworks for IoT applications | |
CN113420722B (zh) | 一种机场安全管理平台的突发事件联动方法及系统 | |
CN110348717A (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
CN113505980A (zh) | 智能交通管理系统可靠性评价方法、装置及系统 | |
CN117495094A (zh) | 一种产业链安全风险综合评估预警方法与系统 | |
Sandhu et al. | A Bayesian network model of the particle swarm optimization for software effort estimation | |
CN113379053A (zh) | 应急响应决策方法、装置及电子设备 | |
Boaventura et al. | New statistical process control charts for overdispersed count data based on the Bell distribution | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
Li | Exact analysis for next release problem | |
CN114239952B (zh) | 一种关键性能指标的异常检测方法、装置、设备及介质 | |
Fenton et al. | Probabilistic modelling for software quality control | |
Liu et al. | Change point software belief reliability growth model considering epistemic uncertainties | |
CN115101210A (zh) | 一种用于国家防控措施评估的流行病风险分析方法及装置 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
Rana et al. | Impact of using information gain in software defect prediction models |
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: 20210309 |
|
RJ01 | Rejection of invention patent application after publication |