论文部分内容阅读
在贝叶斯网络(Bayesian network,BN)参数学习中,如果数据不够充分,将无法建立准确的BN模型来分析和解决问题.针对电熔镁炉熔炼过程的异常工况识别建模,提出一种新的BN参数迁移学习方法来改进异常工况识别精度.该方法可以解决源域BN与目标域BN在结构不一致情况下的参数迁移学习问题.在实验部分,首先在著名的Asia网络上对该方法进行了验证,然后将其应用于电熔镁炉熔炼过程排气异常工况识别BN模型的参数学习.实验结果表明,与小数据下建立的目标域BN模型相比,该方法较大地提高了异常工况识别的准确性.