Tuning Of Belief Network-Based Diagnostic Model

• Autorzy: Cholewa W. , Chrzanowski P. , Rogala T.

Warianty tytułu

PL

Strojenie modelu diagnostycznego opartego na sieci przekonań

• Języki publikacji: EN

Abstrakty

EN

This paper presents a multi-stage diagnostic Belief Network Based Model (BNBM). Proposed model allows for application of acquired knowledge from data training, domain experts and domain literature. This feature is its special advantage. A general model structure, selected issues with its identification and application were shown as well. Described BNBM model consists of three stages: preliminary data processing, equalization and balance of additional variables and belief network. Tuning of BNBM model with using memetic algorithm as global optimization method with local optimization was proposed.

PL

W artykule opisano wielostopniowy model diagnostyczny bazujący na sieci przekonań. Przedstawiono ogólną strukturę modelu oraz omówiono problemy związane z jego identyfikacją oraz strojeniem. Szczególną zaletą proponowanego modelu jest to, że pozwala on na stosowanie wiedzy pozyskanej zarówno z danych uczących jak i artykułowanej bezpośrednio przez specjalistów i literaturę rozpatrywanej dziedziny. Opisany model diagnostyczny składa się ze stopnia wstępnego przetwarzania, stopnia uzgadniania oraz stopnia w postaci sieci przekonań. Dla przyjętej ogólnej postaci modelu omówiono procedurę strojenia z użyciem algorytmu genetycznego. Z uwagi na wady i zalety tego algorytmu dokonano modyfikacji procedury strojenia poprzez zastosowanie algorytmu memetycznego. Określono kierunki dalszych prac badawczych.

Słowa kluczowe

EN

belief network; model tuning; diagnostic model; memetic algorithm

PL

sieć przekonań; strojenie modelu; model diagnostyczny; algorytm memetyczny

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2010
• Tom: nr 1(53)
• Strony: 19--22
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Cholewa W.

autor

Chrzanowski P.

autor

Rogala T.

• Silesian University of Technology, Faculty of Mechanical Engineering, Department of Fundamentals of Machinery Design Konarskiego 18a, 44-100 Gliwice,

Bibliografia

• [1] Bargiela A. i Pedrycz W.: Granular Computing. An Introduction, Kluwer Academic Publishers, Boston, 2003.
• [2] Cempel C.: Fundamentals of vibroacustical condition monitoring, WNT, Warszawa 1982 (in Polish).
• [3] Cholewa W.: Diagnostics with using a belief networks and multi-aspect models. Project seminar, DIASTER. Szczyrk 2008, Poland. PBR-19/RMT-6/2007.
• [4] Cholewa W.: Simulation diagnostics, Problemy Eksploatacji, 1997, 27(4): 13-23 (in Polish).
• [5] Cholewa W., Rogala T.: Diagnostic modeling and inverse models. Series: Zeszyty, Edition II, Silesian University of Technology, Department of Fundamentals of Machinery Design, 2008 (in Polish).
• [6] Chrzanowski P., Rogala T.: Comparison of belief network inference algorithms, AIMETH Symposium, Gliwice 2007.
• [7] Dawkins R.: The selfish gene, Oxford University Press, New York, 1976.
• [8] Goldberg D. E.: Genetic algorithms and applications, WNT, Warszawa 1998 (in Polish).
• [9] Hart W. E.: Adaptive global optimization with local search, Ph.d thesis, University of California, San Diego, CA, 1994.
• [10] Jensen F.: Bayesian Networks and Decision Graphs, Springer, 2001.
• [11] Kościelny J.M. (2007-2009). Inteligentny system diagnostyki i wspomagania sterowania procesów przemysłowych „DIASTER”. Warszawa. R01 012 02.
• [12] Krasnogor N. i Smith J. (2005). A tutorial for competent memetic algorithm: model, taxonomy, and design issues, IEEE Transactions on Evolutionary Computation 9:474-488.
• [13] Moscato P. (1999). Memetic algorithms: a short introduction, in D. Corne, M. Dorigo i F. Glover (Red.), New ideas in optimization, McGraw-Hill, Maidenhead, pp. 219-234.
• [14] Wang H., Wang D. i Yang S. (2009). A memetic algorithm with adaptive hill climbing strategy for dynamic optimization problems, Soft Computing 13: 763-780.