[發明專利]一種基于貝葉斯網絡學習的城市安全復雜事件分類控制方法

在審

• 申請號: 201310710947.7
• 申請日: 2013-12-19
• 公開（公告）號: CN103729553A
• 公開（公告）日: 2014-04-16
• 發明（設計）人: 陳庭貴;周廣瀾;許翀寰
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N5/04
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于貝葉斯網絡學習的城市安全復雜事件分類控制方法，其特征在于：突發事件貝葉斯網絡中的各節點形成輸入—狀態—輸出的三層拓撲結構，所述分類控制方法包括以下步驟：

1)輸入—狀態子網包括環境輸入變量、控制輸入變量與狀態變量之間的因果關系，令EI＝{ei_i|1≤i≤m}為突發事件的環境輸入變量集合,AI＝{ai_k|1≤k≤m}為控制輸入變量集合,MP＝{mp_j|1≤j≤n}為事件狀態變量集合，IP＝{ip_j|1≤j≤m}為承災體狀態變量集合，該網絡中的因果關系用條件概率表示為：P(mp_j|ei_i)表示環境輸入對事件狀態的影響程度；P(mp_j,ip_j|ei_k)表示控制輸入對事件狀態與承災體狀態的影響程度；

2)狀態—狀態子網絡用于描述狀態變量之間的因果關系，令MP為事件狀態變量集合，IP為承災體狀態變量集合,s^e為事件的觸發狀態變量，該網絡包含的因果關系用條件概率表示為：設mp_i∈MP,p(mp_j|mp_i)表示事件狀態變量之間的影響程度，p(ip_j|mp_i)表示事件狀態變量對承災體狀態變量的影響程度，p(s^e|mp_i,ip_j)表示在不同的事件狀態和承災體狀態下該突發事件是否處于發生狀態；

3)狀態—輸出子網絡包括狀態變量與輸出變量之間的因果關系。令MP為事件狀態變量集合，IP為承災體狀態變量集合，O＝{o,|1≤j≤m}為輸出變量集合，SO＝{so_j|≤j≤p}為與外部環境變量具有作用關系的響應狀態變量，LO＝{lo,|1≤k≤q}為事件損失變量集合，其中O＝SO∪LO，該網絡包含的因果關系用條件概率表示有p(o_j|mp_i)與p(o_j|ip_j)，分別表示當事件或承災體處于特定狀態時，突發事件對外部環境的影響或造成特定損失的概率；

4)影響城市安全的突發復雜事件預測的貝葉斯網絡：根據1)-3)子網絡，令G={N,E,P}為突發事件貝葉斯網絡，其中N＝I∪S∪O，(N,E)為網絡結構描述了變量之間的因果關系，變量之間的影響程度用條件概率表P表示，變量的條件概率通過專家知識直接指定或根據歷史數據進行統計得到；知道了根節點的先驗概率與其他節點的條件概率，得到所有變量的聯合概率分布，如下式所示：

p(ei_i,mp_j,ip_j,s^e,ai_k,o_j)＝

p(ei_i)p(mp_j|ei_i)p(mp_j,ip_j|ai_k)

p(mp_j|mp_i)p(ip_j|mp_i)

p(s^e|mp_i,ip_j)

p(o_j|mp_i)p(o_j|ⁱp_j)

利用上式，計算網絡中各節點的邊緣概率，從而確定先驗網絡；假設觀測到的突發事件的部分信息為E，利用此證據信息更新網絡中其他節點的概率，實現對突發事件的關鍵狀態及其損失后果的預測，具體計算方法如下：

令e∈E為證據信息，假設人們最關心的是突發事件的狀態信息與輸出信息，則有：

P(mpi,ipj,se,oi|e)=P(mpi,ipj,se,oj,e)P(e)]]>

其中，P(e)與P(mp_i,ip_j,o_j,e)可通過上面的公式并利用高階聯合概率計算低階聯合概率獲得；

5)貝葉斯網絡學習與優化：令G={N,E,P}為突發事件貝葉斯網絡，(N,E)為網絡結構，N為突發事件貝葉斯網絡中的節點集合，E為節點之間的因果關系集合，網絡結構學習的目的就是給定節點集合N，得到N中各節點的因果關系集合E，根據領域專家知識對節點之間的因果關系進行識別；采取D-S證據合成理論為核心構筑領域知識采集框架，對多個專家給出的網絡結構先驗知識進行合成，根據事先定義的閥值，消除不一致信息，采納多個領域專家的共識，形成比較合理的突發事件貝葉斯網絡拓撲結構；

6)結果輸出：對于目標突發事件貝葉斯網絡而言，輸入節點I、狀態節點S以及輸出節點O組成了網絡中的節點集合，讓領域專家對輸入I與狀態S、狀態S與狀態S、狀態S與輸出O等各節點之間的因果關系進行評價，為每一對節點之間的因果關系分配信度函數。用Cause、Result表示節點a與b有直接的因果關系，Reliability表示某個領域專家對該因果關系分配的信度，然后根據D-S證據合成理論進行合成，從中僅選擇信度最高和最低兩種知識，確定最終接受的專家知識并形成突發事件貝葉斯網絡按照這個過程，對知識庫中所有的規則進行合成，最終形成突發事件貝葉斯網絡。