指导方针来管理传感器网络物理系统与多个传感器

文摘

网络物理系统(独立主办)通常有大量的传感器监测所涉及的各种物理过程。一些传感器失败是不可避免的,可能带来灾难性的后果。关系的性质不同的被测变量可以是非常有用的在检测错误的传感器,监测系统的健康,减少假警报。本文提供程序如何可以集成来自各种传感器的数据,通过精心设计的传感器网络的关系。一旦采用了这样一个网络,选择成为提高可靠性、可用的实时安全,整个系统的性能。

1。介绍

网络物理系统(独立主办)被定义为计算和物理过程的集成1),大多数大型系统的特点。甚至考虑到大量的系统变量与一个适度复杂的CPS,一整套传感器通常是需要启用综合监测系统。有三个主要方面考虑的使用多个传感器;传感器部署传感器任务,协调和传感器(2]。是由这些方面的组合(通常是冲突的)目标有效地解决系统的反馈需求,保持最低的成本和复杂性没有任何妥协对整个系统的可靠性和性能。因此需要一个criteria-based传感器管理框架,可以帮助决定和最佳利用可用的遥感资源在任何给定的时间。

摘要传感器管理的目的是使一系列的选择和协调不同的传感器来监视一个动态系统使用定义明确的标准及贝叶斯网络方法估算值,结合和传播的不确定性。使用这样的方法,可以提供一个协同(通过功能冗余),可以使用不同的传感器相互确证以及影响可用性的信息在特定的传感器数据的情况下成为部分或完全不可用由于传感器或连接器故障、带宽/权力约束,等等。Criteria-based传感器管理可以帮助一组有限的传感器的选择和使用符合可用的计算资源的效用最大化信息关于系统在任何给定的时间(通过提供指导方针,系统设计师或操作员可以使用决策确定的优先级等传感器或传感器来解决一个特定的目标)的一个子集。它还可以帮助避免大量数据传输/计算和内存需求在系统中有多个传感器通过确保只有必要的数据获取和利用。

2。文献综述

“传感器管理”一词通常用于无线传感器网络的背景下引用的过程调度和激活适当的传感器在一组传感器分布在一个广泛的地理区域来解决能源消耗等问题,有限的带宽,等等,或者在目标跟踪中,它指的过程选择合适的传感器、形式等等来优化他们的有效性描述目标的概率发生在一个地区在考虑(3- - - - - -6]。上面的示例的主线是特定于应用程序的标准来决定用什么传感器,当,为此目的。许多这样的应用程序使用标准/规范来源于信息理论领域(如熵、互信息和Kullback大家或Renyi分歧,等等)结合某种形式的估计理论(卡尔曼滤波、粒子过滤器等)(7]。此外,科学家们已经探索替代的传感器管理方法在其他领域如使用几何传感器和环境之间的相互作用与贝叶斯推理机器人系统中传感器的选择(8),使用神经网络控制和规则/知识数据库估计传感器读数的可靠性和使用的传感器表面磨削过程中(9),使用一个经验贝叶斯方法在柴油发动机故障检测(10),使用决策理论方法监测(基于用户定义的标准11),并使用软计算/模糊逻辑技术在飞机传感器管理12]。

不同的研究者们探索了各种各样的技术方法的问题使用分析冗余故障检测和隔离。这包括使用模糊逻辑[13),Nadaraya沃森统计估计量(14),卡尔曼滤波(15),主成分分析(16,子空间模型辨识17]。尽管每种方法都有自己的优势(速度、准确性、易于实现,等等)和缺点(需要一个系统的数学模型方程,无法检测到多个传感器故障,无法区分传感器和系统故障,需要集成不同的方法在相同的应用程序,以完成不同的任务,比如建模、故障检测、故障隔离、等等),这项工作的重点是使用贝叶斯因果网络框架来完成这些目标。这种方法可以提供一个统一的、数据驱动框架关联系统变量的物理意义的方式,还可以以图形方式直观的理解表示)以及执行故障检测、隔离和断层住宿使用相同的框架。此外,成熟的数学形式主义的存在基于概率理论帮助占考虑相关的非线性和不确定性系统。参考文献(18- - - - - -22这种方法的例子。

创建一个网络的主要目标是将信息从不同的、nonredundant容错测量并提供信息。考虑一个系统与多个传感器等机电致动器(EMA)如图1,装有传感器测量11个不同的现象:电流、电压、噪声,扭矩,角加速度、输出速度、输出位置、振动、温度、磁场,和电机编码器的位置。

在此系统中,假设扭矩传感器在操作失败。扭矩值可以推断出的磁场传感器提供了一个分析或经验关系之前已经建立了磁场和转矩之间的关系。进一步采取这一水平,分析之间的关系可以建立所有的传感器,在图所示的一个例子2。在这个图中,所有11现象直接或间接测量都与其他的传感器。现在即使通量密度传感器和扭矩传感器故障,转矩的值仍然可以推断出从任何其他的传感器直接或间接与扭矩传感器。

图2显示了一个任意设计网络,满足需求和提供容错冗余。另一个可能的传感器网络图所示3。可以有许多不同的方式的传感器可能与提供容错。目前还没有统一的指导方针来帮助选择一个网络配置。

在本文中,我们将讨论以下两个问题出现的这样的一个系统与多个传感器。(1)节3:最好的方法是什么副或链接从各种传感器获得的信息吗?(2)节4:在网络这样一个协会后识别和采用,有什么选择对人类决策者如何最好地使用这样一个网络实时系统性能最大化?

3所示。网络设计的标准

对于大多数工程应用中,贝叶斯网络中的节点代表的利益不同的物理参数传感器集成到系统中。这些被测变量/变量组成的一个网络因此需要设计并发与实际系统的设计本身。它需要尽可能反映实际系统因为它是代表在操作系统的行为决策。因此往往是反复的过程,有许多设计标准,同时需要平衡。

本节讨论一些设计标准,不仅可以使用,以确定传感器的选择而设计的物理系统,还要解决的一些需求创建一个贝叶斯网络表示根据珍珠的网络构造算法(23),确定相关节点,他们的命令,指挥适当的联系,定义节点参数,等等。(注意,这些标准只是一个代表列表提供一些指导方针,可以用来创建和完善网络。许多标准被提出并成功应用在许多应用程序中,例如,在24- - - - - -26和其他人。更特定于应用程序的标准在未来可以定义。)

3.1。相对重要性的传感器

在任何应用程序中,没有它是必不可少的传感器可能无法实现令人满意的系统操作,另外可能有可选的传感器,用于监测感兴趣的一些次要参数启用增强系统性能。

在某些应用程序中,相对应的传感器的关键变量的兴趣可能过于脆弱,可能倾向于频繁故障或性能损失(例如,高精度位置编码器通常是敏感的高操作温度)。任何退化或意外损失的信息从这些传感器至关重要的系统可能会导致不良的行为,或者在极端情况下,一个灾难性的系统故障。

在这种情况下,如果传感器过于昂贵的替代或位于一个系统中访问的位置,不可能更换或修理系统操作时没有其它后果(改变系统,停机费用由于关闭系统维修,等等),需要提供一些故障保险条款获取这些重要的被测变量,对于损失的信息从相应的传感器。

使用贝叶斯网络来提供功能冗余,数据从一个或多个其他的操作传感器可用于设置网络,证据和节点的值对应于感兴趣的传感器,说,可以确定使用概率推断法。在网络结构方面,这意味着节点必须尽可能多的其他节点。目标是提供尽可能多的替代来源的信息推断出关键的被测变量,以便安全操作是可能的。不同的网络结构可以产生不同的数据质量。最合适的网络将是一个价值的地方可以获得的节点(s)可能设置为证据,而不需要遍历大量的中间节点和链接。作为一个例子,考虑两种可能的网络结构代表五感兴趣的变量之间的关系(图4),最关键的被测变量。考虑的情况有一个相对应的传感器信息的损失。从图4(一)可以看出,该节点的值可以推断使用数据从传感器节点对应吗通过只有一个中间环节。推断的不确定性的价值是由关系吗编码的条件概率P(),。即使一个或多个其他传感器成为部分或完全不可用,另一个总是存在推断出的价值(除非在极端的情况下,所有的传感器不可用)。然而,在图4 (b),最好的选择可以推断出的价值至少不确定性是通过设置相对应的传感器的值网络作为证据。虽然其他的传感器可能仍然被用来推断的价值,如果相对应的传感器也变得不可用,推断的不确定性价值会更高。

经验法则1
如果有一个传感器系统中因操作上的原因是非常重要的,它有助于设计网络,直接入站/出站链接的数量上,传感器是最大化。

3.2。因果关系

贝叶斯网络的拓扑结构是高度影响的顺序考虑节点表示变量的系统。严格地说,在贝叶斯网络的链接只代表连接节点和之间的条件独立性不一定代表这些节点之间的因果关系。然而,使用因果关系来表示节点之间的联系可以帮助获得属性值物理意义,使用网络,使其为用户更直观的理解这些值并在决策过程中使用它们。

例如,考虑两个节点的网络,电流和转矩,电动机。假设综合实验数据对两个变量可以在整个工作范围在一个应用程序所使用的电机,可以用来创建所需的条件概率表或部署。它们之间的关系可以表示为两种可能的网络结构如图5(一个)和5 (b)。从数学的角度来看,上述网络都是同样有效因为向前和逆概率推理基于可用的信息,也就是说,P(转矩∣当前的)或P(当前的∣转矩),可能只需使用CPT或贝叶斯定理,视情况而定。但对于专家(他参与设计系统及其贝叶斯网络表示法)和非专家(他可能最终用户做出最后决定操作系统),结构如图5(一个)将提供一个更大的直觉决策,因为它代表实际上电动机,也就是说,当前应用在电机绕组导致产生的力矩电机(由于气隙磁场),而不是相反,产生的转矩是直接与提供电流的大小成正比。

不同的作者包括(23,27,28)强调认为通常情况下,一个因果模型构成任何现实世界的联合概率分布,通常结果在贝叶斯网络中,几乎可以被认为是有用的。珍珠(27)强调使用这样的因果模式关系的数量降至最低,需要考虑模型的任何系统,从而导致小型网络(即。独立性,显示超过一个因果表示)和较小的节点之间的互连(没有不必要的或多余的链接)。更简单的结构,反过来,推论过程有显著影响(更紧凑的部署,更快的计算)。肯尼(29日)概述了以下三个条件可以用来确定一个变量导致另一个变量(因此也检查之间的联系的方向和在贝叶斯网络中)。

(1)优先
为一个变量导致一个变量的变化,必须暂时发生之前。这意味着因果关系是不对称的。

(2)功能的关系
一定有原因和效应参数之间的函数关系。如果一个变量的知识并不提供任何额外的信息关于另一个变量,然后他们可以被认为是彼此独立的。如果不是,那么他们是相关的。

(3)Nonspuriousness
之间的关系和不应受第三个变量的存在吗导致两和B这样,如果C是控制和成为独立的。

经验法则2
如果人类理解过程是重要的,那么传感器网络节点的因果排列优先级。

3.3。传感器的可靠性

传感器会受到许多因素的影响在他们的操作环境。热/温度循环、机械冲击等因素/振动,湿度,开机/关机骑自行车,等等,有时会有不利影响车载信号处理电子(例如,在焊点氧化和失败,而导致不可靠的接触,等等。30.,31日])。传感器不基于非接触工作原理,传感元件可能本身进行磨损由于身体接触。在大多数情况下,来自传感器的数据发送到远程数据采集设备或电脑,它转化为有用的信息(例如,性能地图),可以用于决策。在这个过程中,来自传感器的数据可能不可用由于中间连接器或线路故障,传达了传感器输出信号处理器(类似情况,以防传输无线传感器将是一个错误的链接)。大多数传感器还需要一个电源;权力导致的故障可能会导致传感器变得不起作用。所有上述因素可能作为可靠的传感器是如何的代表。

Fraden [30.)定义了一个传感器的可靠性作为其能力来执行其所需的函数在指定条件下在规定时间内。可靠性的概率通常表示为传感器将在某个时间函数没有失败或指定数量的周期使用。常见的间接度量用于指定可靠性是在平均故障间隔时间(MTBF)的预期平均故障间隔时间等单位在这样的条件下(如mil - hdbk - 217标准)中指定的(31日]。它通常计算基于安装设备(平均无故障时间=总时间接触对所有安装单位/失败的数量)。传感器提供的这些信息是很少规范从制造商由于缺乏标准等因素可靠性加速寿命测试的需要在极端的环境条件下,等等。

然而,如果这些数据对于任何一个系统都是可用的,例如,基于操作系统的历史和各种传感器集成到它,知识可以用来改进贝叶斯网络的结构系统的未来版本。相对应的节点传感器通常发现非常可靠的可能连接到尽可能多的其他节点,代表其他传感器可能不可靠,为了提供更大的保证可用的备份信息的损失的信息不可靠的传感器。在数据6(一)和6 (b),假设相对应的传感器节点被认为是最可靠的在所有可用的传感器。如果传感器之一等等,所示的网络结构变得不可用,那么可以推断这些传感器的价值使用的价值在可接受的范围内(取决于质量的数据用于生成部署)。

经验法则3
设计网络,传感器具有较高可靠性尽可能多的其他传感器节点。

3.4。内存需求

通过利用不同的随机变量之间的条件独立性的利益(嵌入式明确网络结构的形式相对应的节点变量)之间的联系,一个贝叶斯网络允许紧凑存储本地的联合概率分布的形式部署所有nonroot节点的网络。正如前面看到的,如果数据关联的所有变量可以有多种方法,节点可以连接基于领域专家的意见。然而,在这一过程中,必须小心谨慎,因为不同类型的连接可能会导致不同的CPT各个节点的配置。的合成形式部署可以产生重大影响整个网络在解决系统的有用性的操作目标。

考虑两种可能的网络结构相关的变量系统的兴趣一个,B,C,D。假设每个变量有两个州真正的或假。在图7(一)的总数量参数的部署和2每个而CPT的参数的数量是8和CPT的参数的数量D是4。在图7 (b),部署的参数的数量,和又是2,但CPT的参数的数量吗现在是16。如果您需要一个单位的内存来存储每个参数,在第一种情况下所需的总内存是16单位但增加到22个单位在后者的情况下。与一个更复杂的网络,可能会有几个节点和大量的父母,高度之间的互连节点和大量的单个国家为每个节点。CPT的大小为一个节点的数量呈指数级增长的父母。对于一个节点州和父母,如果州的数量吗th家长,该节点的CPT的大小行和列和参数在CPT的总数。因此,个人部署和总大小的内存需求可以迅速失控。

尽管内存/存储的成本可能并不昂贵的成本相比,系统中的其他组件(并继续快速下降),车载可用内存存储的部署可能有限等因素对其他程序的存储需求/功能需要有效的系统控制和操作,为测井资料基于条件的维护(CBM),等等。必须考虑到的内存需求而设计的网络。可以使用各种技术来修改这两个网络的结构(以及部署的合成大小所需的内存来存储和操纵它们)。这些包括明智的选择的数量水平的离散状态需要网络中每个节点(尤其是对节点连接到子节点与其他父节点),使用规范化模型如noisy-OR和noisy-MAX减少了参数的数量需要完全指定的部署32),中间节点的引入“离婚”父节点和分区配置已减少的结果与给定节点相关的父节点,并使用决策树或图,命题规则(if - then)确定性部署(只有0或1的概率值)(33]。

经验法则4
串行网络比并行网络有较小的内存需求。对于嵌入式系统来说,一个串行网络结构是最好的。

3.5。计算复杂度

的发展各种各样的推测算法和计算能力的进步,使用贝叶斯网络作为一种工具建模和决策等目标一直在增加在许多领域诊断,故障检测,分类,等等。系统在多大程度上准确地代表的模型和结果使用的质量模型的直接功能网络结构。例如,[34]表明,推测算法一样敏感网络结构的概率值编码在不同的节点部署(35]。状态最有效的网络是那些声音专家知识结合,定义网络结构(定性)和使用大量的数据来识别/改进的概率值变量表示为网络中的节点(定量)。然而,尽管这种以知识为基础的方法的价值(35),没有规定的方法来构造网络结构由领域专家。

创建网络结构的过程基于专家意见是迭代。首先创建一个基本结构,然后提炼基于其他专家的反馈(通常是链接的方向,由于这个过程意味着因果关系)。网络使用的初步结构,可以实现在现实条件下(与组件,如图形用户界面可视化工具,等等,添加)执行一个特定任务。这样做是为了验证其易用性和直觉在输送系统的特点给最终用户。根据用户反馈,网络可能再次被修改,如果有必要,为了更好的可用性。如果发现使用网络获得的结果不满意(或者更糟,矛盾的预期基于专家意见或用户体验),其结构可能需要进一步细化。在每个迭代中,链接或节点可能被添加到网络或他们可能会修剪,一些链接可能的方向逆转,等等。这些微小的变化可能会或可能不会总是有益的。在某些情况下,他们可能会降低网络的功效在实现其预期目的(因为每个大小的改变可能影响因素,如节点部署,类型的数据/实验估计CPT所需参数,等等)。

考虑这样一种情况:领域专家创建一个网络系统关键变量和一组变量的次要的。在这种情况下,就必须代表所有的变量作为网络节点,但专家做出主观的选择关于多少/哪些特定变量还需要包括在网络中,如果这些变量是可测量的,其相关性的变量以及创建网络的目标,等等。如果这样一个网络的目的是用于实时操作,然后无数额外的节点的插入到网络或高度的节点之间的连系和可能使它太棘手,满足实时操作标准(大型部署可以被证明是一个计算障碍由于长时间在这种情况下需要部署的解析和提取值推测算法,特别是如果CPT人烟稀少,或者个人状态概率很低,广泛传播,等等)。

经验法则5
网络中多个节点意味着更大的传感器和系统的信心。但是他们有一个计算过载。网络结构必须匹配的可用的计算能力。

3.6。冗余的传感器

在某些情况下,可能需要在网络中引入额外的节点,以增加其有效性在实现应用程序的目标。考虑到网络图8(一个)为决策在状态监测应用程序而设计的。假设网络中的每个节点代表一个传感器对应一个域感兴趣的变量和每个链接都代表一个物理过程转换为代表的变量所代表的父节点的子节点。与任何意想不到的偏差在传感器读数,决策者面临的挑战谁操作系统是决定如果变化表明潜在的故障在一个或多个传感器或是否表明错误的监控系统。如果变化时无意中由于错误的传感器在现实中,他们可能会退化的结果在一个系统的子组件,它可以导致的假警报状态监测算法,利用这个网络(呼吁计划外系统维护或,在极端的情况下,导致灾难性的系统故障)。

文献[36)提出了一种新颖的贝叶斯网络算法来检测和隔离的原因这样的偏差(传感器与系统进程)。算法需要的节点(表示冗余传感器)区分传感器和系统故障的四肢网络(根和叶节点和附加的链接)。尽管网络的大小略有增加,附加的冗余节点是实现所需功能的关键故障检测与隔离算法。因此,网络的用途必须始终考虑而设计和定稿之前的结构网络。

经验法则6
冗余传感器模式连接到网络系统中增加信心。

4所示。操作标准

一旦系统设计已经完成(必要的传感器集成到系统)和代表贝叶斯网络设计,下一步是确定合适的标准从所有的传感器可以用于管理信息系统在操作。目标是充分利用有限的可用信息的传感器和网络结合可用的计算资源在任何给定的时间。这些操作标准可以用来做决定关于可用的传感器可能会优先考虑如何适应不同的任务要求,确定传感器的最佳选项,可以作为替代品用于推断出故障传感器的值,确定什么样的信息可以从网络,占约束操作过程中可能产生的有限的带宽/力量,决定最适合的算法满足应用程序的限制,等等。这里我们假设人类存在参与决策过程。这可能不是所有系统有效。以下部分描述了这些标准。

4.1。节点的距离

关联系统中所有感兴趣的变量使用贝叶斯网络允许使用任何变量来推断网络中的其他变量的值(通过设置前作为证据使用概率传播推断出所需的值)。然而,推断值(和)的不确定性可以通过中间的数量严重影响查询证据节点和节点之间的联系。考虑到网络图9(一个)。假设相对应的传感器节点失败了,但所有的其他传感器操作正确。考虑到网络结构,可以使用任何剩余的传感器的数据来设置相应的节点状态作为证据,推断的价值。直观地说,可以预期,推断的不确定性的价值将至少在的价值被用作证据由于只有一个中间联系吗和。在这种情况下,推断价值的不确定性是由过程的不确定性。这之间的关系和编码的条件概率分布,也就是说,。现在,如果从相对应的传感器节点的数据是用来推断的价值,那么最终值是影响两个中间过程的不确定性,也就是说,和。在这种情况下,节点的值计算用链式法则的概率。自的价值,。一般来说,在后一种情况下,概率分布分布在更多国家的节点较低的概率值为每个单独的状态。因此,越远的证据节点从查询节点吗,更大的可能的推断价值的不确定性因为每个地方推理引入额外的不确定性/偏差在最后的价值。这种效应可能被使用的概念节点距离量化(ND)为单个节点和查询节点的证据。

定义1。节点的距离(ND)可以定义为一个证据节点之间的最短路径和一个查询节点在两者之间直接路径。

使用的符号,节点距离的值可以计算的中间环节的数量连接相邻节点对之间的序列和。例如,在图9(一个)考虑到节点和节点的距离。同样的,。随着ND的价值增加,更多的是潜在的不确定性推断值。这可能是一个系统操作员使用的准则在确定的操作传感器可以用来推断一个无效值。

然而,必须小心谨慎,因为ND的概念可能不适合某些类型的网络结构。考虑到网络图9 (b)。假设相对应的传感器决定是错误的。任何剩余的传感器可以用来确定的价值。在这种情况下,必须指出的是,即使只有一个链接连接的任何节点,在那里来(例如,),最终值的不确定性将根据不同的节点作为证据。在这种情况下推断价值的不确定性是由关系的不确定性编码在各自的条件概率分布,也就是说,。对于这样的网络结构,连接强度的概念更合适。

总结1。作为一个操作标准,可用于确定传感器节点距离,最有可能给另一个被测变量的最佳估计。节点的距离越小,估计就越好。

4.2。传感器的健康状况

将传感器集成到任何系统的主要目标是提供实时反馈对被测变量的控制目的,使系统成功地完成其任务(例如,一个高质量的关节位置传感器是机器人实现所需的定位精度的关键在高精度制造任务)。一个同等重要的任务必需和可选的传感器在智能系统是使监测参数的变化在一段时间通过提供可靠、准确的数据定期更新地图的相关性能。目标是跟踪系统的整体健康使用状态维修算法(37),以确保系统的持续可用性以及协助人类决策者在决定系统的能力来完成所需的任务。上述目标隐含的假设是所有传感器操作按照他们的设计/操作规范和从他们获得的数据总是可靠的。

一个传感器可以被认为是“健康”如果它产生一个输出信号正比于输入的刺激,在一个可接受的偏差由传感器物理、分辨率、精度、应用需求,等等。然而,如前所述,传感器的输出可以在正常运行的影响因素。这些都是表现为不受欢迎的偏差的影响在传感器输出像漂移一样,偏见,过度的噪音信号,等等。这种现象被认为是错误的传感器可能出现间歇性或他们可能会持续一段时间指示的发展逐步传感器故障。在极端情况下,可能会有一个完整的信息从一个传感器由于突然失败的传感元件或其外围设备功率/信号传输线、连接器、车载信号处理电路中的故障,等等。当所需的传感器读数变得不可用或使用错误的传感器读数时用于控制目的,它可能导致不良的系统行为。

此外,使用错误的传感器的数据来更新性能地图,没有检查的有效性将导致腐败的存储地图。反过来,这可能导致假警报,错过了检测系统故障的系统级煤层气算法。在任何情况下,所有的传感器的健康必须考虑由系统运营商决定是否使用数据从一个特定的传感器。为此,(36]介绍了一种新型传感器的发展和过程故障(SPF)检测和隔离算法,可以帮助量化传感器信息的可信度。信念值被分配到各种传感器和过程系统中使用贝叶斯网络来表示。各种物理量的分析估计表示为网络中的节点计算使用标准的贝叶斯network-inferencing算法。通过比较这些值与实际值相对应的传感器显示的数量和修改的信念值根据比较的结果,该算法提供了一个指示故障的潜在来源(即。,一个特定的传感器或一组传感器或一个特定的过程)。这些信念价值观提供了一个直观的指标代表每个传感器的健康决策者可以使用在他们的评估。

总结2。传感器的健康状况是一个重要的标准,人类的决策者(HDM)可以使用禁用传感器失败,所以决定和控制并不建立在错误的传感器读数。是非常重要的,传感器故障是区分开来的过程退化,这是通过中给出的算法(36]。

4.3。资源可用性

在大多数应用程序中,在sensor-level一些初步处理后,所有的传感器的信号监测系统被发送到一个中央位置进行进一步处理或用于推导更高层次的信息。这个配置通常是在基于pc的数据采集和控制系统,如机电致动器(复合),移动机器人,等等。与数量有限的传感器,一个点对点连接技术是足以将传感器直接连接到电脑没有重大的设计或硬件开销。然而,这样的安排需要复杂的布线的安排。因此总线拓扑通常是利用其中的所有传感器使用一组通用的资源数据传输(38]。在数字现场总线系统中,多个传感器是通过共享数字通信线路连接(从而减少电缆的数量)需要的基础上更有效地传输/接收数据(39- - - - - -41]。利用这样的安排时,所需的累积数据带宽和延迟的所有传感器被认为是扮演了一个重要的角色的选择适当的公共汽车。这主要是由传感器输出的类型等因素,生成输出数据的数量在一个特定的时期,采样率不同的传感器,用于收购方式从多个传感器(同时/多路复用),等等。

考虑,例如,一个发动机配备了一个增量编码器生产10000计数每革命(cpr)和旋转速度中等,600 rpm。这产生一个输出信号频率为0.1 MHz。随着电机转速的增加,从编码器输出数据的数量也增加了。此外,马达等可能与其他传感器检测电流、电压、温度、等等,这可能会产生额外的大量的数据。获得所有这些信息准确,需要在高采样率。因此,除了传输带宽、数据采集的硬件也需要能够处理采样频率要求。

用更少的传感器,总带宽需求是温和的,它可能会同时样本所有传感器和可用的数据总线和收购硬件资源。然而,如果系统有大量的传感器也需要采样率高,高速数据采集通道所需数量的增加(以适应增加的带宽/抽样要求),通常会导致更高的总体成本。通常,作为妥协之间的成本和性能要求,使用有限数量的数据采集通道(能够处理大量数据的高频率)和可用资源分布在所有的传感器通道,利用较低的采样率,定期轮询传感器代替连续采集,等等。

使用贝叶斯网络模型系统允许的灵活性推断网络中的任何节点/变量的值(查询)使用任何其他节点/变量的值(证据)的一个推论的过程。可以利用此功能来管理可用资源(带宽/采样率能力)在特定操作系统的政权,它可能不可能准确地获取数据从传感器(即要求要求。,那些需要高带宽/采样率)。例如,在早些时候引用的例子中,如果电机旋转在6000 rpm,编码器的输出频率上升到1 MHz。如果相关的数据总线和收购硬件能够容纳只有0.5兆赫,它可能更谨慎的将资源分配给传感器与较少的资源需求,说,只需要采样的电压传感器1 kHz收购它们的输出数据最好的分辨率/抽样率。这些数据可能会被用来推断其他变量的值,有更高的带宽、采样率等需要电动机转速(在合理的准确性)使用贝叶斯网络,包括电机电压和速度作为节点。

总结3。不同的操作政权利用不同的硬件资源。资源可用性是一个标准,可用于实时确定传感器的集合,可以启用或禁用实时随着形势的要求。

4.4。节点之间关系的力量

贝叶斯网络的结构明确表示有条件的依赖性/不同变量之间的独立性的系统(节点)的兴趣。这些条件关系的强度条件概率参数的编码所有nonroot节点部署的网络。然而,在任何系统中,一组特定的物理变量,说X,可能会有更大的影响的一组变量比另一组变量。在这种情况下,在该方案中,信息从一个或多个传感器对应的变量变得不可用,这将是理想的使用信息从传感器对应的变量而不是在一组Y,为了推断变量的值的兴趣Z。

一种方法,这种影响可能量化的程度是通过使用链接的概念和连接的优点。这些措施被首次引入Boerlag [42为贝叶斯网络与二进制节点(两国)。连接强度(CS)测量强度网络中任意两个节点之间(不占两个)之间的路径而链接强度(LS)(也称为弧重量(43)专门计算的力量沿着一个特定的两个相邻节点之间的联系。

介绍了这两种思想最初作为一种提高网络结构的可视化从数据时(例如,使用厚代表强关系链接)但后来也被用来提高推测算法的效率(例如,通过消除与微不足道的重量)(43,44]。CS和LS是基于信息熵和互信息的理论概念。离散随机变量的熵和条件熵给出如下(44)(大写表示随机变量和小写表示其状态):

任意两个节点之间的连接强度(CS)代表随机变量和在定义的网络是如何强烈的知识状态影响的状态反之亦然,量化它使用互信息的概念如下44]:

链接强度(LS)是专门为定义的关系(例如,一个是父母和是它的孩子)。如果代表一组其他的父母,在那里和代表的所有节点的集合定义,然后链接强度(44] 在哪里是节点的先验概率的近似处于特定状态,由平均近似,节点的条件概率在所有它的父状态组合。

作为一个有用的近似计算,43)提供了另一个链接强度公式为:

对于任何应用程序,链接优势和连接强度的值不得计算之间的不同的变量和用于确定最合适的传感器使用(即。,if the corresponding nodes have high link/connection strengths indicating that the associated variables are strongly correlated) to infer the information corresponding to faulty or degrading sensors.

总结4。连接和连接强度准则可以用来确定传感器,最有可能给另一个被测变量的最佳估计。这可用于结合节点距离判据确定最好的选择传感器获得信息当一个特定的传感器已经失败了。

4.5。类型的查询

贝叶斯网络紧密地代表所有变量的联合概率分布由网络中的节点表示。换句话说,不同的网络结构和部署节点代表一个全面的数据库,可以查询以不同的方式来获取不同类型的信息系统及其传感器。这取决于应用程序和操作系统的政权,选择正确的类型的查询可以提供信息的更大的价值,然后在给定的情况下系统运营商的决策。

对于任何一个贝叶斯网络,可以定义四种不同类型的查询所(33]:概率的证据,前和后的边际分布,最大归纳的假说(MAP),最可能的解释(MPE)。证据的概率查询的概率是指一个实例化e,对证据的一组变量然后作为。这样的查询可以用来解决感兴趣的变量的周期性特征(通常情况下,这些控制变量)的系统。例如,在图3,如果已知电压保持不变60 V整个操作系统的生命周期,该查询可以帮助回答问题的类型”的概率是多少电压60 V ?”

联合概率分布变量,由的边缘分布是一个投影分布一套小的变量(例如,,在那里),是由: 在观念更新,最常见的类型是后边际查询,在那里代表一个或多个查询节点的值,和是一组证据节点的值观察和实例化价值观。这个值可以计算通过修改(6)如下: 如此重要的查询操作符时关注网络中只有一个特定的物理变量的决策。

的一组变量X地图查询确定最可能的为一组特定的查询实例化变量问(),考虑到证据,被定义为。 在哪里显示的值的分配的是最大的(注意,这是不一样的最大化后不着边际的个体节点)。然而,必须指出的是,可能会有多个这样的可能集的实例化最大的概率。地图查询很重要运营商同时关注多个目标时,需要判断的行为变量的特定群体网络与其他可用知识的目的是一致的决策。例如,在应用程序如EMA用于潜艇、系统操作员可能关心指挥EMA产生最大转矩而产生最小噪声在同一时间。基于等测量电流、电压、等等,操作员可以决定使用地图查询系统的贝叶斯网络,如果预计转矩和噪声值是合理的。

迈普查询地图查询是一个特例,在目标是确定最可能的实例化所有nonevidence变量(即。,查询变量都是无法观测,nonevidence变量)。换句话说,给定一组证据价值,目标是找到一个一致的组中的所有其他变量的值,也就是说,代表最可能的实例化的变量。实例化然后被称为最可能的解释的证据吗。迈普的查询可以被定义为 再一次,可能有不止一个的实例化最大化后验概率。一般来说,迈普查询简单确定算法比地图查询33]。迈普查询很重要当系统运营商想确定最可能的行为系统中的所有感兴趣的变量,同时认为,鉴于特定变量的知识网络中(通常是控制变量)并检查它们是否符合决策的信息。这可能是重要的一个任务像更新多个性能地图煤层气不同组件的EMA基于有限的可测量的信息来源。

总结5。一个传感器网络使灵活性HDM构成不同的查询系统。不同类型的查询有不同的计算需求。HDM应构成基于需求的查询和计算的约束。

4.6。推测算法

贝叶斯网络是为任何应用程序开发时,生成的拓扑结构完全取决于哪些标准给予重要的应用程序。非常大或复杂系统(如飞机,它可能是更简单的设计单独为每个子系统和网络分析分开,以避免整个系统的复杂网络结构。当软件阿莫斯是为贝叶斯决策为基础的网络开发45),因此一套不同的推测算法通常纳入了最大限度的灵活性在处理不同的网络拓扑和其他特定于应用程序的操作限制。

一个简单的休闲连锁(图10 ()),不同节点的值可能会被重复计算贝叶斯定理的应用。对于polytrees(图10 (b)),准确的推测可能是由本地计算和节点之间的消息传递(珍珠的算法)。多连通网络(图10 (c)),准确推测仍可能通过使用集群,应用条件,消除变量等等。尽管确切算法提供最大的精度,甚至将这种算法应用于中等复杂或紧密连接网络可能需要过高的计算时间和内存或在某些情况下甚至可能无法完成推论[46]。在这种情况下,使用近似推论。近似算法(随机模拟,模型简化等)提供一个权衡对精度和速度,对非常复杂的网络,可能是唯一可行的选择。随机模拟方法像可能性加权迭代生成一个不精确的答案迅速和完善它。结果的准确性等算法通常可以提高生成样本数量的增加。

在某些应用程序中,实时操作绑定约束。在这种情况下,计算结果的效用估计不仅其准确性的基础上,还对它的及时性。效用是降解(即使结果是高度准确)随着时间的推移超出预定的最后期限(特定于应用程序的)47]。这样的实时约束可以满意的程度,反过来,由等因素选择最合适的一个特定的网络拓扑算法(例如,精确和近似算法可以用于在图结构10 (b)),离散化的粒度不同的节点(例如,看到48]),效率的实现(编码)不同算法的操作软件(优化实现高效编码往往更快的执行时间),等等。在大多数情况下是一个重要因素计算资源(时间/空间)可用来执行这些算法。

虽然随机抽样算法在很大程度上不受网络规模或拓扑中,样品需要的数量来实现所需的精度,同时生成满足实时操作约束可能仍然是一个挑战对于大型网络(执行时间往往是直接正比于样品的数量以及节点的数量和它们之间的联系)(46]。实验室测试设置,可以实现推断法与快速算法在计算机上,专用处理器和充足的内存。或者推测代码可以实现通过在多个处理器核心或分布式并行处理/云计算。在这种情况下,或许可以提供实时操作即使对于非常大的网络与高度离散的节点。然而,同样可能不是真的,如果算法必须在系统上执行限制/共享计算资源(例如,一个移动机器人,可用车载计算资源共享和分配在许多导航、控制和通讯功能)。占这样的场景,决策者可以使用下面描述的方法来确定一个适当的妥协之间可用的计算资源和操作要求。

随机抽样算法被认为是在任何时间算法。他们可以在任何时间点上被打断产生一个近似的结果。如果这些是选择基于网络拓扑结构的算法,那么决策者可能改变所需的样本数量(基于适当的收敛性判据像KL分歧),以满足实时执行约束一些精确度损失为代价的。或者,决策者也可以使用域特征指标提出的(49)为基础来比较不同的推测算法的执行特点在现有的网络结构来帮助选择最合适的一个。包括个人的指标节点(CPT)偏态最大和平均距离的节点与其他节点,节点距离查询节点)以及整个网络(状态空间的大小,数量的节点和链接,最大和平均状态空间大小,连通性(43)、最大和平均CPT大小、最大和平均数量的父母,等等)。指标可以用来生成一个事先查表描述算法的性能可用的套件,然后使用的决策者选择最合适的算法基于任务需求在任何给定的时间。类似的方法离线之前编译算法执行概要文件及其相关映射到域特征提出了(50]。

其他技术还可用于自适应分配可用的计算时间/内存当系统在操作。技术,如递归的条件(51]提供了任何空间的方法(算法的性能改善和增加内存超出最低要求),准确推断法利用调节网络分解成更小的子网,又解决了独立和递归。文献[52)提供了另一种替代方法称为自适应调节框架提供一个权衡时间、空间和质量的结果将网络分解为多个子网和分配不同的确切/近似算法来处理子网。

总结6。推测算法实时应选用基于时间、空间、和精度的限制,HDM应该访问这个选择。

5。案例研究

在前面几节讨论的准则是用来设计实验装置的传感器网络测试床的机器人研究小组(RRG)实验室在德克萨斯大学奥斯汀分校。测试床设计成模块化,使执行机构的测试不同的原动力(开关磁阻电机(SRM),无刷直流电机,刷直流马达,等等)(数据11和12)。

国家仪器(NI)紧凑的可重构模块输入输出(cRIO)将换向信号发送给相关的H-bridges原动力的每个阶段通过一个光隔离器电路。

试验台的主要目标是映射驱动器的表现能力,特别是其转矩、效率和噪声特性。这个目的的传感器被认为是电压、电流、转矩、速度和噪音传感器。脉冲宽度调制(PWM)信号(即特征。,duty cycle and frequency) are monitored directly by the NI-cRIO module. Efficiency is calculated from data obtained from the voltage, current, torque, and speed sensors.

在设计网络时,六个主要标准考虑传感器的相对重要性,因果关系,传感器可靠性、内存要求,计算复杂度和冗余。相对重要性而言,所有传感器被认为是平等的,因为这个测试床是为了测量装置的性能。所以没有要求有意发展与一个特定的传感器网络的中心。然而因果关系是一个非常理想的标准(提供一个物理系统的视角)。第一个网络创建基于因果关系(图13)。这里的PWM信号从cRIO董事会确定的平均发送电机相电压。这反过来又决定了平均电流流经阶段。电流会影响扭矩结果和噪声(由于切换阶段),这反映在网络(图13)。电动机转矩决定了速度也影响着噪音。

下一个标准调查是传感器的可靠性。获取MTBF(平均故障间隔时间)制造商的所有传感器的数据是非常困难的。自从试验台设计用于在一个受控的环境中,作者没有花更多的时间研究每个传感器的可靠性。然而,在系统部署在一个不受控制的环境中,如果从制造商传感器可靠性数据不可用,系统设计师最好应该获得这些数据通过传感器检测。在这个测试床,连续数据流从cRIO桌面PC (4 GB内存,2.4 GHz)。因此,不需要修改网络以适应内存需求和计算复杂度。也,因为试验台主要是描述执行机构性能的长椅上设置,传感器的故障安全操作并不被认为是一个关键的标准(这可能是一个关键的要求在现场操作的执行机构)。因此,没有冗余传感器被认为是([36]提供了一个示例修改网络图13添加冗余传感器的故障检测与隔离的明确的目的)。合成网络因此不变,如图13。

6。结论

使用多个传感器监控系统智能EMA,显然需要有criteria-based传感器管理框架,可以帮助决定和最佳利用可用的遥感资源在任何给定的时间,在不影响对整个系统的性能。这包括决定哪些传感器等方面需要应对监测系统和它的环境的变化,关联多个信息来源以最好的方式,提供冗余,以确保持续的可用性的信息(在部分或完整的传感器故障),和可用的传感和计算资源的使用适应不断变化的任务需求,而同时保持成本和复杂性降到最低。基于贝叶斯网络的选择方法解决上述问题,本文探讨了一些标准,可以用来改善的设计以及操作使用这样的网络。

使领域专家参与设计的贝叶斯网络系统开发一个紧凑,更有用和高效的网络拓扑、网络设计标准的初步名单了。

一次代表贝叶斯网络系统已经制定(必要的传感器集成到系统),协助系统运营商充分利用可用的一组传感器和网络拓扑与可用的计算资源(优先级传感器适应不同任务的要求,适应没有传感器,有限的带宽可用性,推测算法最适合满足操作限制,等等),初步的操作标准也是本文中讨论。传感器管理要求和复杂。本文第一步criteria-based系统数据管理的框架。标准的制定从第一原理和理论来源。应用程序的设计和操作标准需要追究一个复杂的系统与多种传感器。

承认

这项工作是支持部分由美国海军研究办公室批准号下n00014 - 06 - 1 - 0213。

引用

1. e·a·李,“网络物理系统:设计挑战,”技术。众议员UCB eecs / - 2008 - 8,加州大学伯克利分校,2008年。视图:谷歌学术搜索
2. n .熊和p . Svensson”,多传感器信息融合的管理:问题和方法,“信息融合,3卷,不。2、163 - 186年,2002页。视图:出版商的网站|谷歌学术搜索
3. t . Onel、c . Ersoy和h . Delic”信息基于内容的传感器选择和传动功率调整合作目标跟踪,”IEEE移动计算,8卷,不。8篇文章ID 4745639, 1103 - 1116年,2009页。视图:出版商的网站|谷歌学术搜索
4. m . p . Kolba和l·m·柯林斯“多通道传感、信息理论的传感器管理”IEEE国际地球科学和遥感学报》研讨会(雪茄烟06年)2006年8月,页3935 - 3938。视图:出版商的网站|谷歌学术搜索
5. d . Vaidya j .彭l·杨和j·w·Rozenblit”无线传感器管理的框架和异构传感器网络,”学报》第12届IEEE国际会议和研讨会的工程计算机系统(央行05)2005年4月,页155 - 162。视图:谷歌学术搜索
6. k . Kreucher k Kastella, A . o .英雄,”贝叶斯方法综合多目标跟踪和传感器管理”学报第六届国际会议的信息融合(ISIF ' 03),第771 - 704页,2003年。视图:谷歌学术搜索
7. j . m . Aughenbaugh和b . r . La场地,“信息理论传感器管理、指标选择”学报》第11届国际会议信息融合(融合' 08)2008年7月,页1 - 8,。视图:出版商的网站|谷歌学术搜索
8. 和b . c . Giraud Jouvencel”,传感器选择:几何的方法,”《IEEE国际会议上智能机器人和系统(——95年),2卷,第560 - 555页,1995年。视图:谷歌学术搜索
9. f .小林,t·福井,Arai f . et al .,“传感器选择与传感器选择控制神经网络为基础,融合”《IEEE国际会议上模糊系统(FUZZ-IEEE ' 02)2002年5月,页1482 - 1487。视图:谷歌学术搜索
10. 和p h . n . Subrahmanya y . c . Shin Meckl,”贝叶斯机器学习方法应用于车载传感器选择和融合故障诊断,”机械系统和信号处理,24卷,不。1,第192 - 182页,2010。视图:出版商的网站|谷歌学术搜索
11. 跨度打和p·m·t·j·利马”决策理论方法在相机动态传感器选择网络,”19国际会议的程序自动规划和调度(icap ' 09)2009年9月,页297 - 304。视图:谷歌学术搜索
12. m . Oosterom r . Babuška, h·b·维尔布鲁根“软计算应用在飞机传感器管理和飞行控制律重构,”IEEE系统,人与控制论部分C,32卷,不。2、125 - 139年,2002页。视图:出版商的网站|谷歌学术搜索
13. j . Frolik m . Abdelrahman, p . Kandasamy”self-validation在意方法,quasi-redundant传感器数据融合和重建,”IEEE仪表和测量,50卷,不。6,1761 - 1769年,2001页。视图:出版商的网站|谷歌学术搜索
14. s . j .惠灵顿,j·k·阿特金森,r·p·锡安”传感器验证使用nadaraya-watson统计估计和融合,”第五届国际会议上信息融合学报》上1卷,第326 - 321页,2002年。视图:谷歌学术搜索
15. s . Alag A . m . Agogino和m . Morjaria“智能传感器测量的方法,验证、融合、和故障检测设备的监测和诊断,”人工智能工程设计、分析和制造,15卷,不。4、307 - 320年,2001页。视图:出版商的网站|谷歌学术搜索
16. r .杜尼娅和s . j .秦”联合诊断的过程和传感器故障使用主成分分析,“控制工程实践》第六卷,没有。4、457 - 469年,1998页。视图:出版商的网站|谷歌学术搜索
17. l .江、d . Djurdjanovic和j .倪”一种新的传感器降解方法检测、隔离和补偿在线性系统中,”美国ASME国际机械工程国会和博览会(IMECE ' 07)2007年11月,页1089 - 1102。视图:谷歌学术搜索
18. p h . Ibarguengoytia s Vadera, l . e . Sucar”概率模型和传感器的信息验证”,电脑杂志卷,49号1,第126 - 113页,2006。视图:出版商的网站|谷歌学术搜索
19. t·w·比克摩尔“实时传感器数据验证,”科技。众议员195295年Gencorp,喷气发动机推进部门,美国宇航局承包商,1994。视图:谷歌学术搜索
20. h . Aradhye传感器故障检测、隔离和住宿使用神经网络、模糊逻辑、贝叶斯信念网络新墨西哥大学,硕士论文,1997。
21. n . Mehranbod m . Soroush m . Piovoso a和b Ogunnaike”为传感器故障检测和识别,概率模型”AIChE杂志卷,49号7,1787 - 1802年,2003页。视图:出版商的网站|谷歌学术搜索
22. o . j . Mengshoel a Darwiche, s . Uckun“传感器验证使用贝叶斯网络,”学报》第九届国际研讨会上人工智能,空间机器人与自动化(iSAIRAS ' 08)美国,洛杉矶,加州,2008年2月。视图:谷歌学术搜索
23. k . b .科博和a·e·尼科尔森贝叶斯人工智能,查普曼和大厅/ CRC出版社,2004年。
24. f . v .詹森和t·d·尼尔森贝叶斯网络和决策图、信息科学和统计,施普林格,第二版,2007年版。
25. e . Rajabally p . Sen, s·惠特尔和j·道尔顿,“艾滋病贝叶斯信念网络建设”第二届国际智能系统IEEE会议2004年6月,页457 - 461。视图:谷歌学术搜索
26. m·尼尔·n·芬顿,l·尼尔森,“建设大规模的贝叶斯网络,”知识工程评审,15卷,不。3、257 - 284年,2000页。视图:出版商的网站|谷歌学术搜索
27. j .珠儿,”概率推理的智能系统:似是而非的推理网络,”系列表示和推理,罗纳德·j . Brachman Ed,摩根Kayfmann, 1988年。视图:谷歌学术搜索
28. r . e .那不勒斯学习贝叶斯网络,Prentice Hall,纽约,纽约,美国,2003年。
29. d·a·肯尼相关性和因果关系,第二版,2004年。
30. j . Fraden现代传感器:物理手册、设计和应用程序,AIP出版社,施普林格,第3版,2004年版。
31. r·丹顿传感器的可靠性对预测性维护计划成本的影响,2010年Wilcoxon研究。
32. j . f . Diez和m . j . Druzdel”对知识工程规范的概率模型,”科技,众议员CISIAD-06-01联合国,马德里,西班牙;决策系统实验室、匹兹堡大学、匹兹堡,宾夕法尼亚州,美国,2007年。视图:谷歌学术搜索
33. a . Darwiche建模和推理的贝叶斯网络》,剑桥大学出版社,2009年。
34. p . m . i卡纳斯p·r·佩雷斯·s . s .普列托和m . l . p .写到,“生态研究乳酸微生物群与丹魄葡萄酒恰拉,”生物科学和生物工程杂志》上卷,108年,第224 - 220页,2009年。视图:谷歌学术搜索
35. 美国还和p·p·谢诺因果映射方法构造贝叶斯网络”,决策支持系统,38卷,不。2、259 - 281年,2004页。视图:出版商的网站|谷歌学术搜索
36. g . Krishnamoorthy p Ashok, d . Tesar”框架利用来自多个传感器的数据在智能机械系统中,“技术。众议员N000140910427 2010。视图:谷歌学术搜索
37. p . Hvass和d . Tesar条件建立维护智能机电作动器,“技术。众议员N00014021CRMS0623 2004。视图:谷歌学术搜索
38. r·弗兰克了解智能传感器Artech家出版社,第二版,2000年版。
39. d·波特,IEEE P1451.4的即插即用传感器、IEEE P1451.4,工作组和民族乐器,白皮书,1998年,http://www.ni.com/。
40. 美国朋友和a . Rakshit”网络能力的发展为传统的传感器和致动器,智能传感器接口”传感器和执行器,卷112,不。2 - 3、381 - 387年,2004页。视图:出版商的网站|谷歌学术搜索
41. 美国Pitzek和w . Elmenreich实时智能传感器网络的配置和管理,“技术代表、研究所技术合作Informatik维也纳科技大学,维也纳,奥地利,2003年。视图:谷歌学术搜索
42. b . Boerlag在贝叶斯网络联系强度硕士论文,计算机科学系,不列颠哥伦比亚大学,1993年。
43. a·e·尼科尔森和n . Jitnah”使用互信息来确定关联贝叶斯网络,”第五届环太平洋学报》国际会议上人工智能,第410 - 399页,1998年。视图:谷歌学术搜索
44. 即Ebert-Uphoff”测量连接的优点和优势在离散贝叶斯网络链接,“技术。众议员GT-IIC-07-01乔治亚理工学院,2007。视图:谷歌学术搜索
45. p . Ashok和d . Tesar数学框架决策智能机电作动器,“技术。众议员N000140610213 2007。视图:谷歌学术搜索
46. 程和m . j . Druzdzel“AIS-BN:证据推理的自适应重要抽样算法贝叶斯网络,”人工智能研究杂志》上13卷,第188 - 155页,2000年。视图:谷歌学术搜索
47. 郭h和w·许”,调查的实时贝叶斯网络推理算法,”学报联合AAAI-02 / KDD-02 UAI-02车间实时决策支持和诊断系统,2002年。视图:谷歌学术搜索
48. 一个。l . de桑塔纳,c·r·弗朗西斯·c·a .罗查et al .,”策略改进贝叶斯网络的建模和可解释性,”数据和知识工程,卷63,不。1,第107 - 91页,2007。视图:出版商的网站|谷歌学术搜索
49. n . Jitnah和A.E.尼克尔森信念网络算法:基于域的性能表征研究卷,1359课堂讲稿在计算机科学中,学习和推理与复杂的表示施普林格,1998年。
50. b . j . Borghetti推理算法的性能和选择在受限资源空气,硕士论文,空军理工学院的大学,1996。
51. d·艾伦和a . Darwiche“最佳时空权衡在概率推理,”诉讼18国际联合会议上的人工智能(IJCAI ' 03)展出975年,页969 - 2003年8月,墨西哥阿卡普尔科。视图:谷歌学术搜索
52. f·t·拉莫斯和f . g . Cozman“只要anyspace概率推理,”国际期刊的近似推理,38卷,不。1,53 - 80年,2005页。视图:出版商的网站|谷歌学术搜索

版权

版权©2011 Pradeepkumar Ashok等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。