貝葉斯群驗方法
【專利摘要】本發(fā)明公開了貝葉斯群驗方法，首先對狀態(tài)組合的發(fā)生概率Pm進(jìn)行初始化，假設(shè)群體中個體總數(shù)為N，則共有2N種狀態(tài)組合；第一次測試，隨機(jī)選擇若干個體參與測試，并獲得最終輸出；在每次測試有了結(jié)果后，對所有2N種狀態(tài)組合中每種狀態(tài)組合概率更新；確定參與下一次測試的個體；利用選取的測試向量完成測試，并獲得測試最終輸出，當(dāng)最大狀態(tài)組合的概率大于0.5時完成整個測試，否則跳至步驟3進(jìn)行循環(huán)。本發(fā)明的有益效果是減少了需要的測試次數(shù)；以及在測試結(jié)果中存在噪聲的情況下，仍能正確找出所有故障個體。
【專利說明】貝葉斯群驗方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信息技術(shù)推理方法領(lǐng)域，涉及貝葉斯群驗方法。

【背景技術(shù)】
[0002] 假設(shè)一個群體中只有少數(shù)個體存在故障，可以借助群驗技術(shù)以較少的測試次數(shù)找 出所有故障個體。故障狀態(tài)標(biāo)記為1，非故障狀態(tài)標(biāo)記為〇。在群驗方法中，每次選取一定 數(shù)量的個體參與測試。如果參與測試的所有個體均非故障，則測試輸出為〇 ;如果參與測試 個體中至少含有一個故障個體，則測試輸出為1。
[0003] 現(xiàn)有的群驗技術(shù)可以分為兩類：自適應(yīng)群驗技術(shù)和非自適應(yīng)群驗技術(shù)。非自適應(yīng) 群驗技術(shù)，在進(jìn)行檢測前，即確定了每次檢測中參與測試的個體組合。自適應(yīng)群驗技術(shù)中， 參與測試的個體組合是根據(jù)前面測試的結(jié)果選定的。常用的非自適應(yīng)群驗方法一般是設(shè)計 分離測量矩陣。近來借助壓縮感知技術(shù)，將群驗轉(zhuǎn)化為基于布爾運算的壓縮感知問題。自 適應(yīng)群驗方法需要的測試次數(shù)少于非自適應(yīng)群驗方法。常用的自適應(yīng)群驗技術(shù)采用重復(fù)對 分查找方法。F.K. Hwang改進(jìn)重復(fù)對分查找方法，提出廣義二分算法（Generalized Binary Splitting Algorithm, GBSA)，進(jìn)一步減少了群驗所需要的測試次數(shù)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供貝葉斯群驗方法，解決了現(xiàn)有群驗方法需要的測試次數(shù) 多，以及對每次測試結(jié)果中的噪聲敏感的問題。
[0005] 本發(fā)明所采用的技術(shù)方案是按照以下步驟進(jìn)行：
[0006] 步驟1 :對狀態(tài)組合的發(fā)生概率Pm進(jìn)行初始化，假設(shè)群體中個體總數(shù)為N，則共有 2N種狀態(tài)組合；
[0007] 步驟2 :第一次測試，隨機(jī)選擇若干個體參與測試，并獲得最終輸出；
[0008] 步驟3 :在每次測試有了結(jié)果后，對所有2N種狀態(tài)組合中每種狀態(tài)組合概率更新；
[0009] 步驟4 :確定參與下一次測試的個體；
[0010] 步驟5 :利用選取的測試向量完成測試，并獲得測試最終輸出，當(dāng)最大狀態(tài)組合的 概率大于0. 5時完成整個測試，否則跳至步驟3進(jìn)行循環(huán)。
[0011] 進(jìn)一步，所述步驟1中對狀態(tài)組合的發(fā)生概率Pm進(jìn)行初始化過程為：
[0012] 1)當(dāng)故障個體總數(shù)未知時，各狀態(tài)組合的發(fā)生概率初值由該狀態(tài)組合向量中狀態(tài) 為故障的個體總數(shù)來決定；
[0013] 首先為指定個體的故障概率b，由于故障個體為少數(shù)，故定b小于0. 5，b的值可在 0〈b〈0. 5范圍內(nèi)隨機(jī)選擇，假設(shè)狀態(tài)組合Am中故障個體為d個，則該狀態(tài)組合的發(fā)生概率Pm =bd(l-b)M ；
[0014] 2)如果已知故障個體的總數(shù)為d，則將含有d個故障個體的狀態(tài)組合向量的概率 初始化為1/(::1，其余狀態(tài)組合的概率初始化為〇,即

【權(quán)利要求】
1. 貝葉斯群驗方法，其特征在于：按照以下步驟進(jìn)行： 步驟1 :對狀態(tài)組合的發(fā)生概率Pm進(jìn)行初始化，假設(shè)群體中個體總數(shù)為N，則共有2N種 狀態(tài)組合； 步驟2 :第一次測試，隨機(jī)選擇若干個體參與測試，并獲得最終輸出； 步驟3 :在每次測試有了結(jié)果后，對所有2N種狀態(tài)組合中每種狀態(tài)組合概率更新； 步驟4 :確定參與下一次測試的個體； 步驟5 :利用選取的測試向量完成測試，并獲得測試最終輸出，當(dāng)最大狀態(tài)組合的概率 大于〇. 5時完成整個測試，否則跳至步驟3進(jìn)行循環(huán)。
2. 按照權(quán)利要求1所述貝葉斯群驗方法，其特征在于：所述步驟1中對狀態(tài)組合的發(fā) 生概率Pm進(jìn)行初始化過程為： 1) 當(dāng)故障個體總數(shù)未知時，所有狀態(tài)組合的發(fā)生概率初值由該狀態(tài)組合向量中狀態(tài)為 故障的個體總數(shù)來決定； 首先為指定個體的故障概率b，由于故障個體為少數(shù)，故定b小于0. 5,b的值在 0〈b〈0. 5范圍內(nèi)隨機(jī)選擇，故障個體總數(shù)未知時，對于狀態(tài)組合空間中的每個狀態(tài)組合向量 Am,首先統(tǒng)計Am中的故障個體數(shù)d=IIAmIIi(II·IIi表示求1-范數(shù)），令<表示第k次檢 驗后Am的發(fā)生概率，則初始概率賦值為< =//(1-幻、"； 2) 如果已知故障個體的總數(shù)為d，則將含有d個故障個體的狀態(tài)組合向量的概率初始 化為1/G，其余狀態(tài)組合的概率初始化為0,即
3. 按照權(quán)利要求1所述貝葉斯群驗方法，其特征在于：所述步驟3中，第k-Ι次測 試后，狀態(tài)組合Am的概率表示為，第k次測試中，首先確定測試樣本集0,根據(jù)O將 狀態(tài)組合向量空間{AJ劃分為不相交的兩個子集X和Y,已知Am =Wa2......aN),則 JT= {<"|As = 0}，用于表示在測試樣本個體上狀態(tài)均為正常的一組狀態(tài)組合向量；γ是 X的補(bǔ)集，表示在測試樣本上至少有1個狀態(tài)為故障的狀態(tài)組合向量集合，定義qk為所 有參與測試的個體狀態(tài)均為正常的概率，則qk是集合X中狀態(tài)組合的概率累加，表示為 ft=Σ/t1 '根據(jù)在測試樣本集〇上的測試結(jié)果，分別更新集合X和Y中的狀態(tài)組合向量 的發(fā)生概率： 1)當(dāng)?shù)趉次測試結(jié)果輸出為0時，對于集合X中的每個狀態(tài)組合向量Am，其發(fā)生概率 更新表示為
其中 < 表示第k次測試后狀態(tài)組合Ani的發(fā)生概率，測試結(jié)果中的0以概率e(0<e〈0. 5)轉(zhuǎn)變?yōu)?，而1以概率f(0<f〈0. 5)轉(zhuǎn)變?yōu)?,對于集合Y中的狀態(tài)組合向 量，其發(fā)生概率更新表示為
2)當(dāng)?shù)趉次測試結(jié)果輸出為1時，集合X中狀態(tài)組合向量的發(fā)生概率更新表示為
集合Y中狀態(tài)組合向量的發(fā)生概率更新表示為
【文檔編號】G06N5/02GK104463329SQ201410706769
【公開日】2015年3月25日 申請日期:2014年11月27日 優(yōu)先權(quán)日:2014年11月27日
【發(fā)明者】柏業(yè)超, 吳瓊, 王瓊, 唐嵐, 方暉, 陳浩, 蘇亮又, 張興敢 申請人:南京大學(xué)