贝叶斯推理在动力环境监控系统中的应用研究

论文摘要

作为电信运营商维护管理系统的一个重要手段,动力环境监控系统其功能的完善对于提高服务质量具有很高的经济价值。本文分析了非智能化动力环境监控系统中存在的一些问题,针对系统中存在大量的不确定性信息,讨论了如何采用贝叶斯推理的方式来完善其预警以及智能化分析方面的功能,重点研究贝叶斯分类器在监控技术中,如何利用自适应滤波算法完成参数的学习实现推理。通过对监控系统的告警产生过程进行仿真,测试了该模型的非线性处理能力和稳定性,并验证系统通过推理模型能够实现预警功能和告警过滤功能。同时,根据贝叶斯推理的特点提出了一种新的告警产生和过滤流程,为进一步提高监控系统的智能化拓宽了思路。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 研究历史及现状
• 1.3 研究目的和意义
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 2 抽样与预测
• 2.1 抽样方法
• 2.1.1 抽样方法的分类
• 2.1.2 常见抽样方法及简要分析
• 2.2 预测方法
• 2.2.1 预测的意义
• 2.2.2 常见预测方法及简要分析
• 3 贝叶斯推理
• 3.1 故障预测中的不确定性
• 3.2 概率理论基础
• 3.2.1 基本概念
• 3.2.2 贝叶斯公式
• 3.2.3 正态分布
• 3.2.4 置信区间
• 3.2.5 贝叶斯估计
• 3.3 贝叶斯网络模型
• 3.3.1 贝叶斯理论的发展历史
• 3.3.2 贝叶斯网络及图模型
• 3.3.3 贝叶斯网络的特点及优点
• 3.3.4 朴素贝叶斯分类器模型
• 3.4 贝叶斯推理技术
• 3.4.1 动态贝叶斯网络
• 3.4.2 贝叶斯网络结构的学习
• 3.4.3 贝叶斯网络参数的学习
• 3.4.4 贝叶斯网络预测
• 3.4.5 贝叶斯网络推理
• 3.4.6 朴素贝叶斯分类器工作过程
• 4 动力环境监控系统
• 4.1 系统组成及监控对象
• 4.2 系统数据采集及处理
• 4.3 非智能化系统的问题
• 4.4 系统的优化
• 5 贝叶斯推理在监控系统中的应用
• 5.1 参数更新算法
• 5.1.1 MCMC 方法
• 5.1.2 Gibbs 抽样方法
• 5.1.3 粒子滤波算法
• 5.1.4 自适应滤波算法
• 5.1.5 预测算法的改进
• 5.2 监控系统中的贝叶斯推理
• 5.2.1 贝叶斯网络的建模
• 5.2.2 推理网络结构的学习
• 5.2.3 推理网络参数的学习
• 5.2.4 推理过程的实现
• 5.3 软件系统仿真
• 5.3.1 告警区间的划分
• 5.3.2 数据及参数的选择
• 5.3.3 软件仿真测试
• 5.3.4 系统比较与分析
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文