本發(fā)明提出了一種基于貝葉斯網(wǎng)絡(luò)的智能系統(tǒng)開(kāi)發(fā)建模失效機(jī)理分析方法。它適用于智能軟件開(kāi)發(fā)建模階段的缺陷分析，獲取不同數(shù)據(jù)缺陷對(duì)智能軟件的影響程度，建立缺陷因素影響智能軟件故障的定量描述模型。本發(fā)明屬于人工智能領(lǐng)域。

背景技術(shù)：

1、隨著信息技術(shù)和計(jì)算機(jī)應(yīng)用程度的不斷提高，人工智能技術(shù)被廣泛應(yīng)用在各個(gè)領(lǐng)域，智能軟件作為人工智能技術(shù)的應(yīng)用載體，帶來(lái)的故障隱患問(wèn)題也引起了越來(lái)越多的討論，而智能模型是智能軟件的大腦，其推理結(jié)果的可靠性也成為了值得關(guān)注的問(wèn)題。智能模型的可靠性不僅要保證正確實(shí)現(xiàn)了需求，更要確保模型不會(huì)產(chǎn)生負(fù)面作用或異常后果，進(jìn)而保證智能模型在其系統(tǒng)使用中不會(huì)影響功能的正常完成，否則就會(huì)出現(xiàn)智能模型故障。智能模型是從大量的訓(xùn)練樣本中學(xué)習(xí)到經(jīng)驗(yàn)和知識(shí)，進(jìn)而完成任務(wù)，訓(xùn)練樣本的質(zhì)量極大程度的影響了智能模型的質(zhì)量。

2、影響系統(tǒng)可靠性的模型內(nèi)部因素源自智能模型開(kāi)發(fā)階段的數(shù)據(jù)集構(gòu)建與設(shè)計(jì)，這與智能模型的特征工程息息相關(guān)?，F(xiàn)有的關(guān)于特征工程階段影響因素的絕大多數(shù)研究，是針對(duì)某個(gè)具體的研究問(wèn)題，特定的結(jié)果，探究合適的特征工程方法，得到質(zhì)量更高樣本數(shù)據(jù)集，以便訓(xùn)練出更好的模型。本發(fā)明分析特征工程具體過(guò)程如何模型訓(xùn)練結(jié)果以及影響程度的大小，為數(shù)據(jù)集構(gòu)建和設(shè)計(jì)提供指導(dǎo)。

3、目前影響智能模型質(zhì)量的樣本缺陷因素主要包括樣本均衡性、樣本噪聲、樣本標(biāo)注質(zhì)量和其他特征工程手段等，目前使用者在構(gòu)建數(shù)據(jù)集時(shí)，通過(guò)選擇樣本均衡、噪聲小、標(biāo)注質(zhì)量高的數(shù)據(jù)進(jìn)行構(gòu)建，而對(duì)于大規(guī)模的數(shù)據(jù)集，對(duì)所有缺陷因素進(jìn)行篩選成本過(guò)大，本發(fā)明通過(guò)敏感性分析，得到不同缺陷的敏感程度，在數(shù)據(jù)構(gòu)建過(guò)程中，側(cè)重于對(duì)敏感度大的缺陷因素的排除，提高數(shù)據(jù)集構(gòu)建效率的同時(shí)提高智能模型的效果。

4、在此基礎(chǔ)上，本發(fā)明針對(duì)智能軟件數(shù)據(jù)建模階段可能存在的數(shù)據(jù)缺陷提出一種敏感性分析方法，建立缺陷因素影響智能模型故障的定量描述模型。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于貝葉斯網(wǎng)絡(luò)的智能系統(tǒng)開(kāi)發(fā)建模失效機(jī)理分析方法，建立樣本缺陷因素影響模型故障的定量描述模型，確定影響智能模型的樣本數(shù)據(jù)缺陷的關(guān)鍵因素。具體包含以下步驟：

2、步驟1：采集并獲取與任務(wù)相關(guān)的原始數(shù)據(jù)集y，并確定關(guān)注的n種樣本缺陷因素，分別對(duì)n種缺陷因素進(jìn)行離散化，包括以下步驟：

3、步驟1.1：選取等距、二值化和k-means中的一種離散化方法對(duì)原始數(shù)據(jù)進(jìn)行離散化處理；

4、步驟1.2：利用離散化后的數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)模型；

5、步驟1.3：利用貝葉斯網(wǎng)絡(luò)模型進(jìn)行推理，分析系統(tǒng)內(nèi)部各變量的因果關(guān)系；

6、步驟1.4：判斷是否滿足預(yù)先設(shè)定的推理精度，如果滿足，則返回步驟1.1，離散化狀態(tài)值增加1；如果不滿足，則輸出最大離散化狀態(tài)數(shù)。

7、步驟2：確定模型的評(píng)價(jià)指標(biāo)，建立樣本缺陷與評(píng)價(jià)指標(biāo)之間的貝葉斯網(wǎng)絡(luò)，將樣本缺陷表示成貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)約束，包括規(guī)范性約束、區(qū)間約束、分布內(nèi)約束、分布間約束，具體如下：

8、規(guī)范性約束表示父節(jié)點(diǎn)概率取值相同時(shí)的所有參數(shù)之和為1，如式(1)所示：

9、

10、θjk表示網(wǎng)絡(luò)第j個(gè)父節(jié)點(diǎn)的第k個(gè)子節(jié)點(diǎn)概率取值。

11、區(qū)間約束表示參數(shù)屬于給定的區(qū)間，如式(2)所示：

12、0≤αjk≤θjk≤βjk≤1?(2)

13、αjk和βjk表示子節(jié)點(diǎn)θjk的概率取值上下界。

14、分布內(nèi)約束表示父節(jié)點(diǎn)相同時(shí)，同一分布內(nèi)參數(shù)之間的大小關(guān)系，如式(3)所示:

15、

16、θjk和θjk'分別表示同一父節(jié)點(diǎn)下不同的兩個(gè)子節(jié)點(diǎn)的概率取值。

17、分布間約束表示子節(jié)點(diǎn)概率取值相同時(shí)，不同分布之間參數(shù)的大小關(guān)系，如式(4)所示:

18、

19、νj'k和νjk表示子節(jié)點(diǎn)取值相同的兩個(gè)不同父節(jié)點(diǎn)概率取值。

20、步驟3：根據(jù)貝葉斯網(wǎng)絡(luò)對(duì)缺陷進(jìn)行敏感性分析，具體步驟如下：

21、步驟3.1：定義各缺陷與評(píng)價(jià)指標(biāo)的響應(yīng)函數(shù)f(x)＝g(x),x＝x1,x2,...,xn，定義響應(yīng)函數(shù)對(duì)缺陷因素xi的偏導(dǎo)數(shù)為響應(yīng)函數(shù)對(duì)缺陷因素xi的靈敏度si，如式(5)所示。

22、

23、當(dāng)si＞0時(shí)，f(x)隨xi的增大而增大；si＜0時(shí)，f(x)隨xi的增大而減??；si＝0時(shí)，f(x)不隨xi的變化而變化。si絕對(duì)值的大小反映了f(x)隨xi變化的快慢程度，即函數(shù)f(x)對(duì)缺陷因素xi的靈敏度，進(jìn)而基于貝葉斯網(wǎng)絡(luò)的條件概率變化程度可以求得各缺陷因素xi取值變化對(duì)響應(yīng)函數(shù)f(x)變化的貢獻(xiàn)度。

24、步驟3.2：確定各缺陷因素的變化范圍，根據(jù)確定的離散化狀態(tài)數(shù)，選取第i個(gè)缺陷因素構(gòu)建第j個(gè)樣本數(shù)據(jù)集yij。

25、步驟3.3：將構(gòu)建的數(shù)據(jù)集輸入到智能系統(tǒng)中直至其中的智能模型收斂，并利用同一測(cè)試集進(jìn)行測(cè)試得到數(shù)據(jù)集yij的評(píng)價(jià)指標(biāo)fij。

26、重復(fù)步驟3.2-3.3，直到所有的缺陷樣本數(shù)據(jù)集測(cè)試完畢。

27、步驟3.4：將所有結(jié)果輸入到貝葉斯網(wǎng)絡(luò)中，計(jì)算得到各缺陷因素的敏感性指標(biāo)，確定各缺陷因素對(duì)模型評(píng)價(jià)指標(biāo)變化的貢獻(xiàn)度。

技術(shù)特征：

1.一種基于貝葉斯網(wǎng)絡(luò)的智能系統(tǒng)開(kāi)發(fā)建模失效機(jī)理分析方法，其特征在于包含以下步驟：

技術(shù)總結(jié)
本發(fā)明針對(duì)智能系統(tǒng)在開(kāi)發(fā)建模階段數(shù)據(jù)樣本中各類(lèi)缺陷對(duì)智能模型影響機(jī)理不明確的問(wèn)題，提出了一種基于貝葉斯網(wǎng)絡(luò)的智能系統(tǒng)開(kāi)發(fā)建模失效機(jī)理分析方法，可以實(shí)現(xiàn)通過(guò)敏感性分析來(lái)定量描述各類(lèi)數(shù)據(jù)缺陷對(duì)智能軟件的影響機(jī)理。它包括三大步驟：(1)獲取模型所需的數(shù)據(jù)集和確定分析的樣本缺陷因素，對(duì)缺陷因素進(jìn)行離散化；(2)確定智能軟件的評(píng)價(jià)指標(biāo)，構(gòu)建評(píng)價(jià)指標(biāo)與樣本缺陷因素的貝葉斯網(wǎng)絡(luò)，將樣本缺陷表示成貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)約束；(3)根據(jù)貝葉斯網(wǎng)絡(luò)對(duì)缺陷進(jìn)行敏感性分析。本發(fā)明能夠建立缺陷因素導(dǎo)致模型故障的定量描述模型，幫助構(gòu)建更適合智能系統(tǒng)的訓(xùn)練數(shù)據(jù)集。

技術(shù)研發(fā)人員：任羿,吳昌堅(jiān),楊德真,李曉賓,錢(qián)誠(chéng),夏權(quán)
受保護(hù)的技術(shù)使用者：北京航空航天大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10