CN117332335A - 一个基于信息融合的多米诺效应预测方法 - Google Patents
一个基于信息融合的多米诺效应预测方法 Download PDFInfo
- Publication number
- CN117332335A CN117332335A CN202311357224.3A CN202311357224A CN117332335A CN 117332335 A CN117332335 A CN 117332335A CN 202311357224 A CN202311357224 A CN 202311357224A CN 117332335 A CN117332335 A CN 117332335A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- information
- fusion
- domino effect
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000000694 effects Effects 0.000 title claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 114
- 230000008569 process Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 25
- 238000004880 explosion Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000001788 irregular Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 239000002360 explosive Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 235000017899 Spathodea campanulata Nutrition 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009835 boiling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000000191 radiation effect Effects 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013398 bayesian method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于信息融合的多米诺效应预测方法，所述方法利用多传感器监测多米诺效应发生前周围环境的气象元素和气候指数数据作为信息源，建立多传感器贝叶斯网络信息融合模型，通过高斯网络和贝叶斯网络进行多控制因素的信息融合，并根据融合结果判断多米诺效应发生与否；该方法：1、通过各类传感器采集多米诺效应发生前的环境数据信息并对这些信息进行预处理；2、对经过预处理的环境数据信息进行特征提取，判断多传感器的多类信息中是否有影响多米诺效应发生的数据，对影响多米诺效应发生的数据进行可信值标记；3、根据提取的特征变量利用贝叶斯网络进行融合计算，并针对融合结果作出识别决策；并根据融合结果判断多米诺效应发生与否。
Description
技术领域
本发明属于化工信息融合技术领域，具体涉及一个基于信息融合的多米诺效应预测方法。
背景技术
危化品具有易燃、易爆、有毒、有害等危险特性，如果危化品库区仓储环境或者实验室存放了大量的危险品，但危险管理及使用不规范、管理范围受限制、无法实现实时监控时，将会导致危化品的事故的发生。
危化品的存放首先需要确定化工园区的类型，然后判断存放的化工品类型和存放位置。随着人工智能的快速发展，多米诺效应的预测模型也逐渐趋向智能化。对传感器信息的采集和预处理克服了单一传感器信息源片面，可靠性比较差的弊端，实现了多方面多米诺效应特征信息交互处理的目的。但是在多传感器信息融合的技术中，经典融合的方法处理数据过程简单，但是对于复杂的数据集，融合可靠性比较差。
先验知识(在事实发生之前的知识)即人们常说的躺在扶手椅上就可以获得的知识——通过神的启示、内省、先天思想，或者通过逻辑和数学推导获得的知识；后验知识(在事实发生之后的知识)即只有通过走入世界亲身观察才能获得的知识
发明内容
为了解决上述问题，本发明提供了一个基于信息融合的多米诺效应预测方法，提出贝叶斯网络，方便传感器信息的融合，并根据融合结果判断多米诺效应发生与否。
本发明的技术方案如下：
一种基于信息融合的多米诺效应预测方法，所述方法利用多传感器监测多米诺效应发生前周围环境的气象元素和气候指数数据作为信息源，建立多传感器贝叶斯网络信息融合模型，通过高斯网络和贝叶斯网络进行多控制因素的信息融合，并根据融合结果判断多米诺效应发生与否；所述方法包括如下步骤：
步骤S1、通过各类传感器采集多米诺效应发生前的环境数据信息并对这些信息进行预处理；
步骤S2、对经过预处理的环境数据信息进行特征提取，判断多传感器的多类信息中是否有影响多米诺效应发生的数据，对影响多米诺效应发生的数据进行可信值标记；
步骤S3、根据提取的特征变量利用贝叶斯网络进行融合计算，并针对融合结果作出识别决策。
进一步的，环境数据信息的采集过程是对化工园区的周围环境变量，周围环境变量包括：温度、湿度、风度参数进行采集后，再通过转换器将模拟信号转为数字信号的过程；对多米诺效应发生前的环境数据信息进行采集之前，首先需要判断多米诺效应发生的客观地理位置，并判断可引起多米诺效应发生的参数,影响多米诺效应发生的参数包括：火灾：池火、喷射火、火球；爆炸：无约束蒸气云爆炸、沸腾液体扩展蒸气爆炸、物理爆炸；热辐射效应、爆炸的冲击波、爆炸抛射物；环境因素：温度、湿度、风度、降水量、地形。
进一步的，环境数据信息的预处理是对转换后的数字信号进行滤波和去噪处理的过程；采用小波变换处理的方法对传感器采集的环境数据信息进行预处理，小波变换处理的方法对相应的含噪信号进行变换处理，对进行了离散处理后的信号小波系数进行阈值处理；设定不同的阈值来去除一些噪声系数并保留有用信号小波系数，然后对最终留下来的小波系数进行小波逆变换，即将离散的小波系数重新变换成连续信号，实现信号的重构，最终完成含噪信号的去噪过程；
其中，采用小波变换处理的第一步是阈值的选择：
选择Rigrsure阈值是一种基于Stein无偏似然估计的自适应阈值选择；对于给定的阈值T，得到它的似然估计，再将似然T最小化，就得到了所选的阈值，
a)把用来估计阈值的小波系数向量取绝对值，由小到大排序，然后将各元素平方，得到新的待估计向量S；对待估计向量S的每个元素，按下式计算风险向量：
b)其中Riskj表示第j个元素的风险向量；n为小波系数向量的长度；在风险向量中找出最小的Riskj作为风险值，记风险向量Risk的最小点所对应的下标值为k，从而得到阈值为
第二步是阈值函数的选择：
此函数的形式描述了一个加权参数wj,k如何根据给定的阈值λ进行缩减或设为零；
wj,k代表表示权重矩阵中的一个元素；其中，j和k分别是该权重的行索引和列索引；
λ代表正则化参数，是一个非负参数；它决定了权重何时被缩减或设置为零。
进一步的，步骤S2具体为：在进行了数据采集和预处理之后，对环境数据信息进行特征提取，环境数据信息的提取是多米诺效应发生前各参数有效信息的标记提取，判断多源信息中是否存在影响多米诺效应发生的数据，并对其进行可信值标记；
对数据源进行小波变换处理后，基于小波系数，提取以下几种特征：
(1)能量特征:在各个尺度上的小波系数的能量作为特征E(a)＝∫|W(a,b)|2db，其中，E(a)为能量特征；W(a,b)为小波系数，表示原始信号在特定尺度a和特定平移b下的小波变换值；db：这是微分元，表示对变量b进行积分。
(2)熵特征:熵描述信号的复杂度和不确定性
H(a)＝-∑|W(a,b)|2log|W(a,b)|2，其中，H(a)为熵特征；
(3)均值和标准差:小波系数的均值和标准差描述信号的中心趋势和离散程度；
可信值标记：
对于提取的特征，使用阈值方法、或统计测试判断它们是否与多米诺效应参数有关，如果一个特征超过了设定的阈值或通过了统计测试，那么该特征被认为是有效的，并给予相应的可信值标记。
进一步的，所述步骤S3具体为：贝叶斯网络是解决不确定性问题的有效模型之一，是采用有向无环图来描述概率关系的一种技术，贝叶斯网络处理数据的过程需要两个阶段:首先是网络的学习过程，其次是网络的概率推理过程，也是得出最终决策的过程；即：(1)网络结构的学习；(2)网络参数的学习和概率推理。
进一步的，所述网络结构的学习具体为：
为了提高信息融合的准确率，需要将信息融合从数据层扩展到决策层，进行高层次的信息融合，采用贝叶斯网络进行高层次的信息融合，
利用贝叶斯网络进行信息融合需要确定贝叶斯网络结构，网络结构的确定是通过领域的专家根据事物之间的关系和客观的观测数据对网络进行学习确定出各变量之间的因果关系，从而得出相互影响的关系图；
多传感器贝叶斯信息融合主要分两个层次的信息融合，分别是数据层融合和决策层融合；在数据层融合时，主要融合数据为火灾、爆炸和外部环境数据的数据集；在决策层融合时主要是对高层次的有效数据进行融合，高层次的有效数据包括：热辐射和爆炸冲击波、抛射物；每个融合层均采用贝叶斯网络进行信息融合。
进一步的，所述网络参数的学习和概率推理具体为：
在贝叶斯网络结构确定之后，接下来需要进行参数学习，即在父母节点的影响下确定各个节点的条件概率分布表，进行贝叶斯网络概率推理；
贝叶斯网络概率推理主要解决的问题是求取节点后验概率的问题，后验概率问题就是在己知贝叶斯网络中父亲节点的概率分布取值后，计算子节点变量的条件概率分布，即
(1)贝叶斯进行参数学习的一种情况是针对连续节点服从常见连续分布，可直接对节点的概率分布进行学习：
贝叶斯网络处理多米诺效应连续变量数据：
贝叶斯网络连续变量离散化的过程采用NETICA软件来进行NETICA软件既可处理离散数据，也可处理连续数据；该软件可直接导入数据信息，生成节点并可根据多传感器贝叶斯信息融合的结构模型图连接各个参数节点，完成贝叶斯网络拓扑结构的构造，使各个变量成为父子节点关系；然后，还可通过导入的数据进行编译得出后验概率值，并生成条件概率分布表，输入已知节点信息进行概率推理，实时确定子节点的概率分布；
(2)另外一种情况是针对随机的曲线分布，即将节点的概率分布分解成多个高斯分布的加权叠加；
高斯网络和贝叶斯网络处理多米诺效应不规则变量数据：
对于一些不规则连续变量，是多个规则统计分布或概率分布的叠加，即一些连续变量的概率密度函数中包含多个数据样本，通过多个高斯分布以一定比例线性叠加来近似表达；
以这种方式，一个传感器信号可表示为K个高斯分布的加权和，每个高斯分布称为这个连续变量分布的子高斯分布，μk为均值，σk为方差，wk为权值
则一个不规则连续变量的概率分布高斯分解表示如下：
其中，P(X)为概率分布，N(x；μk,σk)表示一个子高斯分布密度函数；又由于贝叶斯网络是多个节点之间的拓扑结构关系网，即在处理连续变量的过程中，需要对多个节点进行不规则连续变量的分解计算；同时，节点参数的学习变成了N维不规则连续变量联合概率密度函数的计算。
进一步的，采用高斯分解处理连续贝叶斯网络变量的三个步骤：首先是不规则连续变量的高斯分解；其次是子高斯贝叶斯网络的参数学习，最后是子髙斯贝叶斯网络的数据融合和节点概率分布的更新，即
步骤1、将连续变量分解成K个子高斯分布后，分别进行联合概率分布的计算；当K值趋向于无穷时，认为这个连续变量呈现出的每个部分均为某个子高斯的一部分；扩展到每个网络节点上，可认为将贝叶斯网络分成了K个子贝叶斯网络，相当于多个子贝叶斯网络的叠加；
所以对于K值的确定，采用试凑法，在多个连续变量中的多个K值选取多个节点中K值最大的那个作为计算参数；
步骤2、将连续变量分解成K个子高斯分布之后，需要分别学习每个子高斯贝叶斯网络的相关参数，相关参数包括均值向量、协方差矩阵；还需要将高斯贝叶斯网络转换成多维正态分布进行相关参数处理；
步骤3、伴随着多维正态分布相关参数的确定，需要再将其由多维正态分布转换为高斯贝叶斯网络；并对转换回来的多个子高斯贝叶斯网络进行重新融合，这个融合过程采用加权融合，权值对应高斯网络分解时累积计算的数值；最后将多个子高斯贝叶斯网转换成多维正态分布进行参数更新，分别根据更新后的多维正态分布得到子节点的概率分布。
本发明利用多传感器监测多米诺效应发生前周围环境的气象元素和气候指数等数据作为信息源，建立多传感器贝叶斯网络信息融合模型，通过高斯网络和贝叶斯网络进行多控制因素的信息融合，并根据融合结果判断多米诺效应发生与否。首次分析多米诺发生前周边环境的各种物理量信息，并判断多控制因素之间的影响关系，确定贝叶斯网络多米诺效应的拓扑结构。之后采用多传感器信息融合技术对影响多米诺的多控制因素进行采集和预处理，并利用高斯分布可处理连续信号的特征，建立高斯贝叶斯网络模型对多源数据信息进行决策融合。优点：1、相对于单传感器，探测到了更多的现场环境信息，提高了系统的可靠性和鲁棒性；2、在时间上和空间上都扩宽了事故的探测范围，准确率较高；3、系统工作性能稳定，可信任度高，分辨能力好。
附图说明
图1为本发明的方法流程示意图。
图2是多传感器信息融合的结构模型图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
请参阅图1所示，一种基于信息融合的多米诺效应预测方法，利用多传感器监测多米诺效应发生前周围环境的气象元素和气候指数等数据作为信息源，建立多传感器贝叶斯网络信息融合模型，通过高斯网络和贝叶斯网络进行多控制因素的信息融合，并根据融合结果判断多米诺效应发生与否；该预测方法包括如下步骤：
步骤S1、通过各类传感器采集多米诺效应发生前的环境数据信息并对这些信息进行预处理；
步骤S2、对经过预处理的环境信息数据进行特征提取，判断多传感器的多类信息中是否有影响多米诺效应发生的数据，对其进行可信值标记；
步骤S3、根据提取的特征变量利用贝叶斯网络进行融合计算，并针对融合结果作出识别决策。
所述的环境信息数据的采集过程是对化工园区的周围环境变量，例如温度、湿度、风度等参数进行采集后，再通过转换器将模拟信号转为比较好处理的数字信号的过程；
对多米诺效应发生前的环境信息进行采集之前，首先需要判断多米诺效应发生的客观地理位置，并判断可引起多米诺效应发生的参数。通过阅读多米诺效应发生的相关文献并进行场景模拟得出，影响多米诺效应发生的参数为：
(1)火灾：池火、喷射火、火球
(2)爆炸：无约束蒸气云爆炸、沸腾液体扩展蒸气爆炸、物理爆炸
(3)热辐射效应、爆炸的冲击波、爆炸抛射物
(4)环境因素：温度、湿度、风度、降水量、地形
所述信息的预处理一般是对转换后的数字信号进行滤波和去噪处理的过程。现如今的传感器中，大多数都是将数据采集过程和数据预处理过程进行集成，直接从传感器中获得预处理后的有效信息，
信息的预处理主要是对信息进行滤波和去噪，为了更好的处理信号，本专利采用小波变换处理的方法对传感器数据进行处理，小波分析技术对相应的含噪信号进行变换处理，对进行了离散处理后的信号小波系数进行阈值处理。设定不同的阈值来去除一些噪声系数并保留大多数有用信号小波系数，然后对最终留下来的小波系数进行小波逆变换，即将离散的小波系数重新变换成连续信号，实现信号的重构，最终完成含噪信号的去噪过程。
其中，采用小波变换处理第一步是阈值的选择：
选择Rigrsure阈值是一种基于Stein无偏似然估计的自适应阈值选择；对于给定的阈值T，得到它的似然估计，再将似然T最小化，就得到了所选的阈值，
a)把用来估计阈值的小波系数向量取绝对值(设其长度为n)，(比如用第一层小波分解的全部系数做为候选阈值)，由小到大排序，然后将各元素平方，得到新的待估计向量S；
对待估计向量S的每个元素，按下式计算风险向量：
b)其中Riskj表示第j个元素的风险向量；n为小波系数向量的长度；在风险向量中找出最小的Riskj作为风险值，记风险向量Risk的最小点所对应的下标值为k，从而得到阈值为
第二步是阈值函数的选择：
此函数的形式描述了一个加权参数wj,k如何根据给定的阈值λ进行缩减或设为零；
wj,k代表表示权重矩阵中的一个元素；其中，j和k分别是该权重的行索引和列索引；
λ代表正则化参数，是一个非负参数通常被称为“阈值”。它决定了权重何时被缩减或设置为零。核心目的：采用阈值的办法，使大部分噪声系数减小至0，即将小于阈值部分的系数作为干扰噪声去除，然后再进行小波重构，从而实现降噪。
对经过预处理的环境信息进行特征提取，具体为：在进行了数据采集和预处理之后，就是是对数据信息进行特征提取，数据信息的提取可以认为是多米诺效应发生前各参数有效信息的标记提取，判断多源信息中是否存在影响多米诺效应发生的数据，并对其进行可信值标记。
对数据源进行小波变换处理后，基于小波系数，可以提取以下几种特征：
(1)能量特征:在各个尺度上的小波系数的能量可以作为特征
E(a)＝∫|W(a,b)|2db2其中，E(a)为能量特征；W(a,b)为小波系数，表示原始信号在特定尺度a和特定平移b下的小波变换值。db：这是微分元，表示对变量b进行积分。
(2)熵特征:熵可以描述信号的复杂度和不确定性
H(a)＝-∑|W(a,b)|2log|W(a,b)|23
(3)均值和标准差:小波系数的均值和标准差可以描述信号的中心趋势和离散程度；
可信值标记
对于提取的特征，可以使用阈值方法、统计测试或其他算法来判断它们是否与多米诺效应参数有关。如果某个特征超过了设定的阈值或通过了统计测试，那么它可以被认为是有效的，并给予相应的可信值标记。
根据提取的特征变量利用贝叶斯网络进行融合计算，并针对融合结果作出识别决策，即贝叶斯网络是解决不确定性问题的有效模型之一，是采用有向无环图来描述概率关系的一种技术，又可以叫做信度网络。叶斯网络处理数据的过程需要两个阶段:首先是网络的学习过程，其次是网络的概率推理过程，也是得出最终决策的过程。
(1)网络结构的学习
(2)网络参数的学习
(3)概率推理。
所述的进行网络结构的学习，具体为：
为了提高信息融合的准确率，需要将信息融合从数据层扩展到决策层，进行高层次的信息融合。本专利选择贝叶斯网络进行高层次的信息融合。
选择贝叶斯网络进行高层次信息融合的优势：相对于其他人工智能方法，贝叶斯网络建模简单，推理速度快，并且贝叶斯网络的参数学习速度也很快，可控性好，能够有效的保证网络模型对实际环境模拟的客观性和准确性。(可放到后面说明书)
利用贝叶斯网络进行信息融合需要确定贝叶斯网络结构，网络结构的确定是通过相关领域的专家根据事物之间的关系和客观的观测数据对网络进行学习确定出各变量之间的因果关系，从而得出相互影响的关系图。
如图2所示，是多传感器信息融合的结构模型图，多传感器贝叶斯信息融合主要分两个层次的信息融合，分别是数据层融合和决策层融合；在数据层融合时，主要融合数据为火灾、爆炸和外部环境数据的数据集；在决策层融合时主要是对高层次的有效数据进行融合，高层次的有效数据包括：热辐射和爆炸冲击波、抛射物；每个融合层均采用贝叶斯网络进行信息融合。
进行网络参数的学习和概率推理，在贝叶斯网络结构确定之后，接下来需要进行参数学习，就是在父母节点的影响下确定各个节点的条件概率分布表(CPT)，进行贝叶斯概率推理。
贝叶斯网络概率推理主要解决的问题是求取节点后验概率的问题，后验概率问题就是在己知贝叶斯网络中父亲节点的概率分布取值后，计算子节点变量的条件概率分布的问题。
(1)贝叶斯进行参数学习的一种情况是针对连续节点服从常见连续分布，可直接对节点的概率分布进行学习：
贝叶斯网络处理多米诺效应连续变量数据：
贝叶斯网络连续变量离散化的过程采用NETICA软件来进行。该软件可直接导入数据信息，生成节点并可根据多传感器贝叶斯信息融合的结构模型图连接各个参数节点，完成贝叶斯网络拓扑结构的构造，使各个变量成为父子节点关系；然后，还可通过导入的数据进行编译得出后验概率值，并生成条件概率分布表，输入已知节点信息进行概率推理，实时确定子节点的概率分布。
(2)另外一种情况是针对随机的曲线分布，常用的方法是将节点的概率分布分解成多个高斯分布的加权叠加。
高斯网络和贝叶斯网络处理多米诺效应不规则变量数据：
对于某些不规则连续变量，可能是多个规则统计分布或概率分布的叠加，例如某些连续变量的概率密度函数中包含多个数据样本，可以通过多个高斯分布以—定比例线性叠加来近似表达。
以这种方式，一个传感器信号可表示为K个高斯分布的加权和，每个高斯分布称为这个连续变量分布的子高斯分布，μk为均值，σk为方差，wk为权值
则一个不规则连续变量的概率分布高斯分解表示如下：
其中，N(x；μk,σk)表示一个子高斯分布密度函数。又由于贝叶斯网络是多个节点之间的拓扑结构关系网，也就是说，在处理连续变量的过程中，需要对多个节点进行不规则连续变量的分解计算；同时，节点参数的学习变成了N维不规则连续变量联合概率密度函数的计算。
采用高斯分解处理连续贝叶斯网络变量的三个步骤：首先是不规则连续变量的高斯分解；其次是子高斯贝叶斯网络的参数学习.最后是子髙斯贝叶斯网络的数据融合和节点概率分布的更新。
步骤1、将连续变量分解成K个子高斯分布后，分别进行联合概率分布的计算。当K值趋向于无穷时，可以认为这个连续变量呈现出的每个部分均为某个子高斯的一部分。扩展到每个网络节点上，可认为将贝叶斯网络分成了K个子贝叶斯网络，相当于多个子贝叶斯网络的叠加。
所以对于K值的确定，采用试凑法，一般K值不会超过10，在多个连续变量中的多个K值选取多个节点中K值最大的那个作为计算参数。
步骤2、将连续变量分解成K个子高斯分布之后，需要分别学习每个子高斯贝叶斯网络的相关参数，例如均值向量、协方差矩阵和相关系数。还需要将高斯贝叶斯网络转换成多维正态分布进行相关参数处理。
步骤3、伴随着多维正态分布相关参数的确定，需要再将其由多维正态分布转换为高斯贝叶斯网络。并对转换回来的多个子高斯贝叶斯网络进行重新融合，这个融合过程采用加权融合，权值对应高斯网络分解时累积计算的数值。最后将多个子高斯贝叶斯网转换成多维正态分布进行参数更新，分别根据更新后的多维正态分布计算子节点的概率分布。
其中，多传感器信息融合和贝叶斯网络对连续变量的参数学习，采用的方法进一步具体为：
(1)通过先验知识获取贝叶斯网络的拓扑结构；
本文通过在进行了数据采集和预处理之后，对数据信息进行特征提取，并根据经验知识和查阅文献确定多米诺效应预警的拓扑结构。(2)根据节点间参数影响关系将网络分解为多个父子网络；
对于每个节点，确定它的父节点。
创建一个子网络，其中每个子网络由一个子节点和其所有父节点组成。
(3)如果节点数据为连续数据，那么就直接输入节点连续变量数据；
(4)若不是连续节点，则对每个不规则连续分布的变量节点进行高斯分解，分别对应权值ωik；
μk为均值，σk为方差，wk为权值
N(x；μk,σk)表示一个子高斯分布密度函数；
(5)确定先验均值向量、协方差矩阵和K值大小；
先验均值向量和协方差矩阵均通过先验知识确定；
对于K值的确定，假如节点X1,X2，X3……Xn分别对应着K1,K2，K3……Kn，则整个网络的K值采用K＝Kmax(K1,K2……Kn)。
(6)将网络分解成Kn个子高斯贝叶斯网络，权值为节点权值ωik的叠加；
在此步骤需要分别学习每个子高斯贝叶斯网络的相关参数，例如均值向量、协方差矩阵和相关系数。
对于每个子网络和每个混合成分，创建一个子高斯贝叶斯网络。
权重是根据相关节点的权重ωik进行累加计算。
(7)将多个子高斯贝叶斯网转换成多维正态分布进行参数更新；
首先是将高斯贝叶斯网络转变为初始多维正态分布，然后更新多维正态分布，最终更新高斯贝叶斯网络。
从高斯贝叶斯网络提取初始参数:
对于高斯贝叶斯网络中的每一个节点，其条件概率分布可以用高斯分布来表示；记录每个节点的均值μi和方差
构建初始多维正态分布:
均值向量:将所有节点的均值串联起来，形成一个多维均值向量。
μcombined＝[μ1,μ2,…,μn]
协方差矩阵:假设初始时节点间没有相关性，则协方差矩阵是对角的。
使用数据更新多维正态分布:
如果有可用的数据，可以使用这些数据来估计新的均值向量和协方差矩阵。常用的估计方法包括最大似然估计。
从多维正态分布更新高斯贝叶斯网络:
使用更新后的多维正态分布的均值向量和协方差矩阵更新高斯贝叶斯网络的节点。
对于均值，将更新的均值向量拆分，将每个节点的部分分配回去。
对于协方差矩阵，考虑节点之间的依赖性。如果协方差矩阵的非对角元素表示两个节点之间有显著的相关性，则这可能意味着这两个节点之间应该有一个边。
(8)分别根据更新后的多维正态分布计算子节点的概率分布；
伴随着多维正态分布相关参数的确定，需要再将其由多维正态分布转换为高斯贝叶斯网络，并对转换回来的多个子高斯贝叶斯网络使用加权融合的方法进行重新融合，权值对应高斯网络分解时累积计算的数值；
(9)对应分解权值,叠加计算原贝叶斯网络的子节点概率分布。
对于原贝叶斯网络中的每个节点，将所有相关子高斯网络的推断结果进行加权叠加。
所述多个子高斯贝叶斯网络使用加权融合的方法，具体为：
以下是使用加权融合多个子高斯贝叶斯网络的步骤：
高斯网络的估计:
对于每个子高斯贝叶斯网络，确定其高斯分布的参数(均值和方差)。记第i个子网络的均值为μi，方差为
确定权重:
根据每个网络的可靠性、准确性或其他相关标准确定权重wi。确保所有权重的和为1，即∑wi＝1。
加权平均均值:
融合的高斯分布的均值是各个网络均值的加权平均。
加权平均方差:
融合的高斯分布的方差是各个网络方差的加权平均，再加上均值的加权方差。这考虑了每个子网络的均值之间的差异，反映了均值之间的不确定性。
获得融合的高斯分布:
使用上面计算出的加权均值和方差，可以得到融合的高斯分布。x表示连续节点X的观测值；
本发明带来了以下优点：
1.模型灵活性:
高斯混合模型可以用来近似任何连续的概率分布，只要增加足够多的混合组件。
2.利用先验知识:
贝叶斯方法允许你在估计模型参数时结合先验知识。这特别有用，当你有关于参数应该取哪些值的先验信念时，或者当你的数据很稀少并且可能不足以准确估计参数时。
3.参数不确定性:
与传统的最大似然估计方法相比，贝叶斯方法为模型参数提供了完整的后验分布，从而可以更好地估计参数的不确定性。
4.正则化效果:
先验分布可以作为一种正则化手段，帮助防止过拟合，特别是在数据量较少的情况下。
5.模型选择:
通过使用贝叶斯证据或边缘似然，可以评估具有不同混合组件数量的模型，从而选择最佳的模型。
6.参数估计的鲁棒性:
在某些情况下，使用贝叶斯方法的GMM可以得到更加鲁棒的参数估计，特别是当某些混合组件只有少量的数据点支持时。
7.模型解释性:
GMM提供了一种直观的方式来解释和可视化数据的分布。每个混合组件都可以视为数据中的一个子群体或类别。
8.自然地处理缺失数据:
在贝叶斯框架下，处理具有缺失值的数据变得更为自然，因为可以通过边缘化来整合缺失的部分。
结合贝叶斯方法和GMM提供了一个功能强大、灵活且具有解释性的模型，适用于各种不同的数据和应用场景。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于信息融合的多米诺效应预测方法，其特征在于：所述方法利用多传感器监测多米诺效应发生前周围环境的气象元素和气候指数数据作为信息源，建立多传感器贝叶斯网络信息融合模型，通过高斯网络和贝叶斯网络进行多控制因素的信息融合，并根据融合结果判断多米诺效应发生与否；所述方法包括如下步骤：
步骤S1、通过各类传感器采集多米诺效应发生前的环境数据信息并对这些信息进行预处理；
步骤S2、对经过预处理的环境数据信息进行特征提取，判断多传感器的多类信息中是否有影响多米诺效应发生的数据，对影响多米诺效应发生的数据进行可信值标记；
步骤S3、根据提取的特征变量利用贝叶斯网络进行融合计算，并针对融合结果作出识别决策。
2.根据权利要求1所述的一个基于信息融合的多米诺效应预测方法，其特征在于：环境数据信息的采集过程是对化工园区的周围环境变量，周围环境变量包括：温度、湿度、风度参数进行采集后，再通过转换器将模拟信号转为数字信号的过程；对多米诺效应发生前的环境数据信息进行采集之前，首先需要判断多米诺效应发生的客观地理位置，并判断可引起多米诺效应发生的参数,影响多米诺效应发生的参数包括：火灾：池火、喷射火、火球；爆炸：无约束蒸气云爆炸、沸腾液体扩展蒸气爆炸、物理爆炸；热辐射效应、爆炸的冲击波、爆炸抛射物；环境因素：温度、湿度、风度、降水量、地形。
3.根据权利要求1所述的一种基于信息融合的多米诺效应预测方法，其特征在于：环境数据信息的预处理是对转换后的数字信号进行滤波和去噪处理的过程；采用小波变换处理的方法对传感器采集的环境数据信息进行预处理，小波变换处理的方法对相应的含噪信号进行变换处理，对进行了离散处理后的信号小波系数进行阈值处理；设定不同的阈值来去除一些噪声系数并保留有用信号小波系数，然后对最终留下来的小波系数进行小波逆变换，即将离散的小波系数重新变换成连续信号，实现信号的重构，最终完成含噪信号的去噪过程；
其中，采用小波变换处理的第一步是阈值的选择：
选择Rigrsure阈值是一种基于Stein无偏似然估计的自适应阈值选择；对于给定的阈值T，得到它的似然估计，再将似然T最小化，就得到了所选的阈值，
a)把用来估计阈值的小波系数向量取绝对值，由小到大排序，然后将各元素平方，得到新的待估计向量S；对待估计向量S的每个元素，按下式计算风险向量：
b)其中Riskj表示第j个元素的风险向量；n为小波系数向量的长度；在风险向量中找出最小的Riskj作为风险值，记风险向量Risk的最小点所对应的下标值为k，从而得到阈值为
第二步是阈值函数的选择：
此函数的形式描述了一个加权参数wj,k如何根据给定的阈值λ进行缩减或设为零；
wj,k代表表示权重矩阵中的一个元素；其中，j和k分别是该权重的行索引和列索引；
λ代表正则化参数，是一个非负参数；它决定了权重何时被缩减或设置为零。
4.根据权利要求1所述的一种基于信息融合的多米诺效应预测方法，其特征在于：步骤S2具体为：在进行了数据采集和预处理之后，对环境数据信息进行特征提取，环境数据信息的提取是多米诺效应发生前各参数有效信息的标记提取，判断多源信息中是否存在影响多米诺效应发生的数据，并对其进行可信值标记；
对数据源进行小波变换处理后，基于小波系数，提取以下几种特征：
(1)能量特征:在各个尺度上的小波系数的能量作为特征E(a)＝∫|W(a,b)|2db，其中，E(a)为能量特征；W(a,b)为小波系数，表示原始信号在特定尺度a和特定平移b下的小波变换值；db：这是微分元，表示对变量b进行积分；
(2)熵特征:熵描述信号的复杂度和不确定性
H(a)＝-∑|W(a,b)|2log|W(a,b)|2，其中，H(a)为熵特征；
(3)均值和标准差:小波系数的均值和标准差描述信号的中心趋势和离散程度；
可信值标记：
对于提取的特征，使用阈值方法、或统计测试判断它们是否与多米诺效应参数有关，如果一个特征超过了设定的阈值或通过了统计测试，那么该特征被认为是有效的，并给予相应的可信值标记。
5.根据权利要求1所述的一种基于信息融合的多米诺效应预测方法，其特征在于：
所述步骤S3具体为：贝叶斯网络是解决不确定性问题的有效模型之一，是采用有向无环图来描述概率关系的一种技术，贝叶斯网络处理数据的过程需要两个阶段:首先是网络的学习过程，其次是网络的概率推理过程，也是得出最终决策的过程；即：(1)网络结构的学习；(2)网络参数的学习和概率推理。
6.根据权利要求5所述的一种基于信息融合的多米诺效应预测方法，其特征在于：所述网络结构的学习具体为：
为了提高信息融合的准确率，需要将信息融合从数据层扩展到决策层，进行高层次的信息融合，采用贝叶斯网络进行高层次的信息融合，
利用贝叶斯网络进行信息融合需要确定贝叶斯网络结构，网络结构的确定是通过领域的专家根据事物之间的关系和客观的观测数据对网络进行学习确定出各变量之间的因果关系，从而得出相互影响的关系图；
多传感器贝叶斯信息融合主要分两个层次的信息融合，分别是数据层融合和决策层融合；在数据层融合时，主要融合数据为火灾、爆炸和外部环境数据的数据集；在决策层融合时主要是对高层次的有效数据进行融合，高层次的有效数据包括：热辐射和爆炸冲击波、抛射物；每个融合层均采用贝叶斯网络进行信息融合。
7.根据权利要求6所述的一种基于信息融合的多米诺效应预测方法，其特征在于：所述网络参数的学习和概率推理具体为：
在贝叶斯网络结构确定之后，接下来需要进行参数学习，即在父母节点的影响下确定各个节点的条件概率分布表，进行贝叶斯网络概率推理；
贝叶斯网络概率推理主要解决的问题是求取节点后验概率的问题，后验概率问题就是在己知贝叶斯网络中父亲节点的概率分布取值后，计算子节点变量的条件概率分布，即
(1)贝叶斯进行参数学习的一种情况是针对连续节点服从常见连续分布，可直接对节点的概率分布进行学习：
贝叶斯网络处理多米诺效应连续变量数据：
贝叶斯网络连续变量离散化的过程采用NETICA软件来进行NETICA软件既可处理离散数据，也可处理连续数据；该软件可直接导入数据信息，生成节点并可根据多传感器贝叶斯信息融合的结构模型图连接各个参数节点，完成贝叶斯网络拓扑结构的构造，使各个变量成为父子节点关系；然后，还可通过导入的数据进行编译得出后验概率值，并生成条件概率分布表，输入已知节点信息进行概率推理，实时确定子节点的概率分布；
(2)另外一种情况是针对随机的曲线分布，即将节点的概率分布分解成多个高斯分布的加权叠加；
高斯网络和贝叶斯网络处理多米诺效应不规则变量数据：
对于一些不规则连续变量，是多个规则统计分布或概率分布的叠加，即一些连续变量的概率密度函数中包含多个数据样本，通过多个高斯分布以一定比例线性叠加来近似表达；
以这种方式，一个传感器信号可表示为K个高斯分布的加权和，每个高斯分布称为这个连续变量分布的子高斯分布，μk为均值，σk为方差，wk为权值则一个不规则连续变量的概率分布高斯分解表示如下：
其中，P(X)为概率分布，N(x；μk,σk)表示一个子高斯分布密度函数；又由于贝叶斯网络是多个节点之间的拓扑结构关系网，即在处理连续变量的过程中，需要对多个节点进行不规则连续变量的分解计算；同时，节点参数的学习变成了N维不规则连续变量联合概率密度函数的计算。
8.根据权利要求7所述的一种基于信息融合的多米诺效应预测方法，其特征在于：
采用高斯分解处理连续贝叶斯网络变量的三个步骤：首先是不规则连续变量的高斯分解；其次是子高斯贝叶斯网络的参数学习，最后是子髙斯贝叶斯网络的数据融合和节点概率分布的更新，即
步骤1、将连续变量分解成K个子高斯分布后，分别进行联合概率分布的计算；当K值趋向于无穷时，认为这个连续变量呈现出的每个部分均为某个子高斯的一部分；扩展到每个网络节点上，可认为将贝叶斯网络分成了K个子贝叶斯网络，相当于多个子贝叶斯网络的叠加；
所以对于K值的确定，采用试凑法，在多个连续变量中的多个K值选取多个节点中K值最大的那个作为计算参数；
步骤2、将连续变量分解成K个子高斯分布之后，需要分别学习每个子高斯贝叶斯网络的相关参数，相关参数包括均值向量、协方差矩阵；还需要将高斯贝叶斯网络转换成多维正态分布进行相关参数处理；
步骤3、伴随着多维正态分布相关参数的确定，需要再将其由多维正态分布转换为高斯贝叶斯网络；并对转换回来的多个子高斯贝叶斯网络进行重新融合，这个融合过程采用加权融合，权值对应高斯网络分解时累积计算的数值；最后将多个子高斯贝叶斯网转换成多维正态分布进行参数更新，分别根据更新后的多维正态分布得到子节点的概率分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357224.3A CN117332335A (zh) | 2023-10-19 | 2023-10-19 | 一个基于信息融合的多米诺效应预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357224.3A CN117332335A (zh) | 2023-10-19 | 2023-10-19 | 一个基于信息融合的多米诺效应预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332335A true CN117332335A (zh) | 2024-01-02 |
Family
ID=89275339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311357224.3A Pending CN117332335A (zh) | 2023-10-19 | 2023-10-19 | 一个基于信息融合的多米诺效应预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332335A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118484668A (zh) * | 2024-07-15 | 2024-08-13 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 智能化采煤工作面的智能数据处理方法 |
-
2023
- 2023-10-19 CN CN202311357224.3A patent/CN117332335A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118484668A (zh) * | 2024-07-15 | 2024-08-13 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 智能化采煤工作面的智能数据处理方法 |
| CN118484668B (zh) * | 2024-07-15 | 2024-10-01 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 智能化采煤工作面的智能数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stoica et al. | A Gibbs point process for road extraction from remotely sensed images | |
| Fdez-Riverola et al. | An automated hybrid cbr system for forecasting | |
| CN110197282B (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
| CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
| CN106682502A (zh) | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 | |
| CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| CN117332335A (zh) | 一个基于信息融合的多米诺效应预测方法 | |
| CN114662791A (zh) | 一种基于时空注意力的长时序pm2.5预测方法及系统 | |
| CN110110794A (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
| Liu et al. | Air quality index forecasting via genetic algorithm-based improved extreme learning machine | |
| CN117636477A (zh) | 一种基于径向基函数模糊神经网络的多目标跟踪匹配方法 | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| CN117274881A (zh) | 基于一致性正则化和分布对齐的半监督视频火灾检测方法 | |
| Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
| Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 | |
| Abbes et al. | A non-stationary NDVI time series modelling using triplet Markov chain | |
| Celik et al. | Change detection without difference image computation based on multiobjective cost function optimization | |
| Essid et al. | Spatio-temporal modeling based on hidden Markov model for object tracking in satellite imagery | |
| Jindal et al. | Predicting the dynamics of forest fire spread from satellite imaging using deep learning | |
| CN112507826A (zh) | 一种端到端生态变化监测方法、终端、计算机设备及介质 | |
| Štula et al. | Fuzzy Cognitive Map for decision support in image post-processing | |
| CN117808650B (zh) | 一种基于Transform-Flownet和R-FPN的降水预测方法 | |
| CN116610783B (zh) | 基于人工智能决策的服务优化方法及数字化在线页面系统 | |
| Adhikari et al. | Wildfire Progression Prediction and Validation Using Satellite Data and Remote Sensing in Sonoma, California |
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 |