孙磊　朱立富　许晓鹏

摘 要:本文针对贝叶斯分类器精度不高,需要大量样本集学习,尤其是当获得大量的带有类别标注的样本代价较高时的缺点,探讨了一种基于增量式贝叶斯分类器的故障诊断方法,使用该模型不断积累完善样本,自动修正网络结构参数和概率分布参数,从而达到诊断效果的高效性。也把该模型运用到变压器的故障诊断中,通过大量的实例证明,该模型运用的算法在现实工作中有实质的可行性和操作性。

关键词:增量式贝叶斯变压器故障诊断研究机构及算法

中图分类号:TP2 文献标识码:A 文章编号:1674-098X(2012)07(c)-0104-011 引言

本文提出了基于小规模训练集的增量式贝叶斯分类,给出增量式贝叶斯分类机理参数计算及其算法。较贝叶斯算法增加自适应训练能力,提高故障诊断率。

2 增量式贝叶斯分类器结构及算法

相比较传统贝叶斯分类器的阈值常数的静态过程,增量式贝叶斯分类器主要是利用样本信息的不断修正,来提高分类精度是一个动态修正过程。

增量分类的任务实质是根据先验信息和样本信息来确定和。其中为训练样本中属于类的次数,为训练样本数,为增量样本数。采用拉普拉斯概率估计,可获得下面的参数估计:设定后续样本集的处理,输入:故障样本集,余下的作为测试样本集。输出:分类器C。

该结构的算法是一个无限循环过程,贝叶斯本身具有增量学习特性,再修正过程中选择性修正更新信息,使得分类器增量地进行,从而提高了分类精度,减少了大量重复样本学习与训练时间。……