買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中國礦業(yè)大學申請的專利基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN114548267B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202210159277.3，技術領域涉及：G06F18/2415；該發(fā)明授權基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法是由褚菲;鮑文超;許晨峰;毛騰;張海軍;陸寧云;何大闊設計研發(fā)完成，并于2022-02-21向國家知識產(chǎn)權局提交的專利申請。

本基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法在說明書摘要公布了：本發(fā)明公開了一種基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法，屬于工業(yè)安全運行智能控制技術領域。本發(fā)明主要步驟如下：首先，將異常工況的現(xiàn)象變量作為證據(jù)信息輸入到安全控制貝葉斯網(wǎng)絡模型中進行推理。其次，依據(jù)最大后驗概率原則制定相應的安全控制決策，并依據(jù)領域專家知識判斷安全控制決策是否合理。若合理，則實施該控制決策。若不合理，則繼續(xù)判斷是否發(fā)生新的異常工況，并按照判斷條件分別進行結構更新學習和參數(shù)更新學習。最后，利用更新完成的安全控制貝葉斯網(wǎng)絡模型重新獲取安全控制決策。本發(fā)明提出的重介質選煤過程安全控制模型更新方法，能夠提高模型適應選煤環(huán)境變化的能力，為操作人員提供安全、可靠的控制決策。

本發(fā)明授權基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法在權利要求書中公布了：1.基于增量學習的重介質選煤過程安全控制貝葉斯網(wǎng)絡模型在線更新方法，其特征在于：包括如下步驟：步驟1：采集重介質選煤過程中異常工況現(xiàn)象變量的數(shù)據(jù)信息，并將離散化后的數(shù)據(jù)進行作為證據(jù)，輸入到已有的安全控制貝葉斯網(wǎng)絡模型中進行推理，利用式1求取與異常現(xiàn)象相關的操作變量X的后驗概率： 其中，x是變量X的取值，e是變量E的取值；步驟2：根據(jù)步驟1計算的結果，遵循后驗概率最大的原則制定相應的安全控制決策；步驟3：依據(jù)步驟2中的安全控制決策在重介質選煤過程中的實施效果，判別該安全控制決策是否合理；若不合理則轉入步驟4，否則轉入步驟9；步驟4：利用式2-3判別是否發(fā)生新的異常工況；若未發(fā)生新的異常工況，則表明現(xiàn)有的安全控制貝葉斯網(wǎng)絡模型的結構不需要發(fā)生改變，只需更新原有模型的參數(shù)，即轉入步驟7；若發(fā)生新的異常工況，則表明現(xiàn)有的安全控制貝葉斯網(wǎng)絡模型的結構和參數(shù)都需要更新，即轉入步驟5； 其中，Dold和Dnew分別表示歷史數(shù)據(jù)和新采樣數(shù)據(jù)，Mold和Mnew分別表示舊數(shù)據(jù)集和新數(shù)據(jù)集的大小；n是變量的個數(shù)，ri是變量Xi的狀態(tài)個數(shù)，qi是變量Xi的父節(jié)點PaXi的狀態(tài)組合個數(shù)，mijk是變量Xi為狀態(tài)k同時其父節(jié)點在狀態(tài)j的樣本個數(shù)，是似然條件概率，m是樣本量；若ΔScoreBIC＞ξ，則表明當前模型只需進行模型參數(shù)更新學習；若ΔScoreBIC＜ξ，則表明當前模型需要進行模型結構更新學習和參數(shù)更新學習，ξ為設定的閾值；步驟5：采用基于增量學習的貝葉斯網(wǎng)絡結構更新方法更新貝葉斯網(wǎng)絡結構，然后轉入步驟7中；步驟5.1：利用式4-5辨識舊模型中不適應環(huán)境變化的部分結構； 其中，PaXi表示變量Xi的父節(jié)點，＜Xi,PaXi＞表示節(jié)點Xi、其父節(jié)點PaXi以及它們之間的邊所形成的局部結構；當ΔScore＜Xi,PaXi＞|D＞δ時，表明節(jié)點Xi附近的局部結構無需進行結構更新，其中δ是設定的閾值；當ΔScore＜Xi,PaXi＞|D＜δ時，表明節(jié)點Xi附近的局部結構需要進行結構更新；步驟5.2：根據(jù)步驟5.1辨識適應環(huán)境變化的局部結構G0及其相應節(jié)點集V1＝{X1,..,Xm}，將剩余的節(jié)點記為V2＝{Xm+1,...,Xn}；步驟5.3：利用式6計算集合V1和V2的平均互信息，并根據(jù)互信息大小將集合V2中的變量從大到小進行排序，排序后的集合記為V2*； 其中，xi和xj分別是變量集V1和V2的值；步驟5.4：設置學習步長t，判斷V2*是否為空，若為空則結構更新完成，返回結構G0；若不為空，則進行下一步；步驟5.5：取出集合V2*中的前t個變量放入集合V1中，并根據(jù)集合V1中的變量產(chǎn)生數(shù)據(jù)集Di；步驟5.6：采用式3所示的BIC評分函數(shù)作為評分標準，貪婪搜索為搜索策略，G0為初始搜索種子結構，得到本次迭代的結構Gi；步驟5.7：將G0替換為Gi，并返回步驟5.4；步驟6：安全控制貝葉斯網(wǎng)絡模型的結構更新完成，將其代替舊模型結構，并轉入步驟7；步驟7：利用式7進行安全控制貝葉斯網(wǎng)絡模型的參數(shù)更新學習； 其中，moldijk為舊數(shù)據(jù)中變量Xi為狀態(tài)k同時其父節(jié)點在狀態(tài)j的樣本個數(shù)，mnewijk為新數(shù)據(jù)中變量Xi為狀態(tài)k同時其父節(jié)點在狀態(tài)j的樣本個數(shù)；當ΔScoreBIC＜ξ時，舊結構模型不用改變，因此，新的參數(shù)通過新數(shù)據(jù)信息與原始數(shù)據(jù)信息進行整合而獲得；否則，則利用新數(shù)據(jù)信息獲取貝葉斯網(wǎng)絡參數(shù)；步驟8：將更新完成后的安全控制貝葉斯網(wǎng)絡模型代替舊模型，返回步驟1中，重新進行推理獲取安全控制決策；步驟9：實施安全控制決策。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人中國礦業(yè)大學，其通訊地址為：221100 江蘇省徐州市銅山區(qū)大學路1號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。