典型文献
基于贝叶斯分类器的核电厂事故诊断方法研究
文献摘要：
目前在核电厂事故诊断方面所使用的人工智能技术如神经网络等,难以同时具备较好的鲁棒性和可解释性,本研究提出基于贝叶斯分类器的核电厂事故诊断方法,并进一步将贝叶斯分类器细化为离散型朴素贝叶斯分类器、高斯型朴素贝叶斯分类器和贝叶斯网络3种,将这3种贝叶斯分类器用于核电厂事故诊断,并进行性能对比.研究结果表明:基于贝叶斯分类器的诊断方法将知识驱动和数据驱动相结合,具有较强的鲁棒性和可解释性.3种分类器中,高斯型朴素贝叶斯方法诊断在诊断准确率、诊断效率、事故破口尺寸诊断精度和事故可诊断的种类方面具有显著优势.
文献关键词：
人工智能;贝叶斯分类器;事故诊断;数据驱动;知识驱动
中图分类号：
作者姓名：
齐奔;梁金刚;张立国;童节娟
作者机构：
清华大学 核能与新能源技术研究院,北京 100084
文献出处：
引用格式：
[1]齐奔;梁金刚;张立国;童节娟-.基于贝叶斯分类器的核电厂事故诊断方法研究)[J].原子能科学技术,2022(03):512-519
A类：
事故诊断
B类：
核电厂,可解释性,离散型,朴素贝叶斯分类器,高斯型,贝叶斯网络,器用,性能对比,知识驱动,贝叶斯方法,诊断准确率,诊断效率,显著优势
AB值：
0.12441
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
