郭文強(qiáng)，高曉光，侯勇嚴(yán)，周強(qiáng)

(1.陜西科技大學(xué) 電氣與信息工程學(xué)院，陜西西安710021;2.西北工業(yè)大學(xué)電子信息學(xué)院，陜西西安710129)

自動導(dǎo)航系統(tǒng)是現(xiàn)代智能農(nóng)業(yè)車輛的重要組成部分.將機(jī)器視覺應(yīng)用于農(nóng)業(yè)車輛自動導(dǎo)航系統(tǒng)，可大大提高農(nóng)業(yè)生產(chǎn)的自動化水平.對于具有自動導(dǎo)航系統(tǒng)的農(nóng)業(yè)車輛，針對其所處的不同環(huán)境而采取不同的路徑規(guī)劃方法，可以提高系統(tǒng)的響應(yīng)速度和可靠性［1-3］.農(nóng)業(yè)車輛所處環(huán)境的圖像會隨照明、陰影等的變化而改變.另外，即使在單一的環(huán)境中，圖像也有許多內(nèi)部和邊界的灰度變化，從而影響自動導(dǎo)航系統(tǒng)對環(huán)境識別的準(zhǔn)確性.農(nóng)田環(huán)境的識別是一個典型的目標(biāo)識別問題.隨著電子和信息系統(tǒng)的飛速發(fā)展，在較短的時間內(nèi)可以收集大量的目標(biāo)原始數(shù)據(jù).然而，在不確定和動態(tài)的環(huán)境中，如何快速、準(zhǔn)確、定性、定量地進(jìn)行目標(biāo)識別是智能農(nóng)業(yè)車輛自動導(dǎo)航系統(tǒng)中的關(guān)鍵技術(shù)之一.

針對農(nóng)用車輛所處的不同環(huán)境，文獻(xiàn)［4］研究了霍夫變換對不同目標(biāo)進(jìn)行識別的方法，但這種方法運算量大、計算代價昂貴.文獻(xiàn)［5］提出了用人工神經(jīng)網(wǎng)絡(luò)的方法來識別環(huán)境的類型.然而，經(jīng)典的神經(jīng)網(wǎng)絡(luò)方法尚存在模型解釋性差的缺點，更不能在模型輸入數(shù)據(jù)不完備時完成識別推理.

有機(jī)結(jié)合了圖論和概率論的貝葉斯網(wǎng)絡(luò)(Bayesian network，BN)適合解決不確定性和不完備信息問題，是目前一種有效的目標(biāo)識別方法［6-7］.將問題域表達(dá)為BN模型后，現(xiàn)有的許多BN推理算法可以支持網(wǎng)絡(luò)信度的更新和目標(biāo)識別節(jié)點的概率查詢.但是，在傳統(tǒng)BN模型的研究中，其推理機(jī)需收集觀測域內(nèi)所有觀測(證據(jù))，即通過單個中心推理機(jī)進(jìn)行集中式推理.隨著BN模型節(jié)點數(shù)量的增加，整個網(wǎng)絡(luò)信度更新的計算量會呈指數(shù)增長［8-9］.這種傳統(tǒng)的BN模型推理還會因為傳輸成本昂貴、傳輸延遲等問題，導(dǎo)致其實時性、可靠性較差.

智能車輛、機(jī)器人及其子系統(tǒng)均可以被視為智能體.本文將多智能體采集的局部目標(biāo)特征信息表征為多連片貝葉斯網(wǎng)(multiply sectioned Bayesian network，MSBN)，利用單個智能體進(jìn)行局部推理，然后利用分布式多智能體重疊子域間緊湊的消息傳播，實現(xiàn)了多智能體協(xié)同推理，避免了傳統(tǒng)BN方法需要將所有觀測值送給集中處理器，提高了系統(tǒng)實時推理和準(zhǔn)確識別目標(biāo)的能力.

1 目標(biāo)特征信息及其MSBN表征

單個智能體的推理能力往往是有限的.一個自然的解決方案是利用多個智能體共享資源，協(xié)同完成所需任務(wù).針對目標(biāo)識別的推理，首先需進(jìn)行特征數(shù)據(jù)的提取及相應(yīng)推理機(jī)的建模.

1.1 農(nóng)業(yè)環(huán)境圖像的特征數(shù)據(jù)及其離散化

文獻(xiàn)［5］將農(nóng)業(yè)車輛所處的導(dǎo)航環(huán)境分為4種類型，即強(qiáng)光、普通、雜草和陰影.用于導(dǎo)航的圖像常可用RGB模型表示，其中，R、G和B反映了圖像紅、綠、藍(lán)分量灰度級別的變化，其灰度方差和均值受多種因素(如光照、陰影及拍攝角度等)的影響.因此，對目標(biāo)圖像可采取6個特征參數(shù)表征，即R、G、B分量的均值(分別表示為ER、EG和EB)和方差(分別表示為DR、DG和DB).

從不同的4個典型環(huán)境圖像選擇80幅圖像(每種類型選用20幅)，可計算出不同環(huán)境下農(nóng)田圖像的特征數(shù)據(jù)，如表1所示［5］.

表1 農(nóng)業(yè)環(huán)境圖像的特征數(shù)據(jù)Table 1 Characteristic data of agricultural environment images

為了加快BN模型的推理，利用閾值函數(shù)將圖像特征數(shù)據(jù)離散為3個值，即“大”、“中”和“小”.本文使用2個閾值對數(shù)據(jù)進(jìn)行離散，即均值閾值取200和175，方差閾值取39和45.將表1中數(shù)據(jù)按照閾值函數(shù)映射，得到相應(yīng)的目標(biāo)離散特征數(shù)據(jù)，如表2所示.

表2 農(nóng)業(yè)環(huán)境圖像的離散特征數(shù)據(jù)Table 2 Discrete characteristic data of agricultural environment images

1.2 MSBN

定義1［9］MSBN 多連片貝葉斯網(wǎng)(MSBN)M是一個三元組(V，G，P).其中，V=∪iVi，Vi(i=0，1，…，n)是第i個子域里的變量集.G=∪iGi是一個具有超樹(hypertree)結(jié)構(gòu)的多連接有向無環(huán)圖，每個子圖 Gi的節(jié)點用 Vi表示.在 G中，x是一個節(jié)點，π(x)是x的全部父節(jié)點.對每個x的勢，僅有一個包含{x}∪π(x)的子圖 Gi對其賦值為P(x|π(x))，而其他Gj包含x的勢均賦予均勻分布.P=∏iPi是聯(lián)合概率分布，其中Pi是Gi中相關(guān)節(jié)點的勢函數(shù)之積(product of the potentials).每個三元組Si=(Vi，Gi，Pi)被稱為M的一個子網(wǎng).如果Gi和Gj在超樹中是相鄰的，則2個子網(wǎng)Si和Sj被稱為是相鄰的.

圖1為文獻(xiàn)［10］中的一個MSBN示意圖.圖1中S0、S1、S2構(gòu)成具有超樹結(jié)構(gòu)的一個 MSBN，且MSBN中重疊子域的任一節(jié)點僅有一個子網(wǎng)包含其全部父節(jié)點.如節(jié)點J的全部父節(jié)點集{D，V}僅被子網(wǎng)S1包含.圖1(b)、(c)分別為圖1(a)所示MSBN對應(yīng)的超樹和鏈化連接森林(linked junction forest，LJF).

圖1 MSBN示意圖Fig.1 Schematic diagram of the MSBN

根據(jù)MSBN定義可知，若以目標(biāo)識別類型節(jié)點(隱節(jié)點)作為重疊子域，各BN子網(wǎng)可構(gòu)建為一個完整的MSBN.因而MSBN可視為傳統(tǒng)貝葉斯網(wǎng)絡(luò)的一種擴(kuò)展模型，從BN模型推理出發(fā)可對多智能體系統(tǒng)進(jìn)行協(xié)同求解.

2 MSBN推理

MSBN推理可分為2個階段:各連接樹內(nèi)局部推理和連接樹間全局推理［10-11］.其中局部推理可采用連接樹算法完成，它是MSBN推理的基礎(chǔ).該算法不但可以解決單連通網(wǎng)絡(luò)下的推理，也可以完成多連通網(wǎng)絡(luò)下的推理計算.

貝葉斯網(wǎng)表示的聯(lián)合概率分布滿足:

式中:ψC、φS分別為貝葉斯網(wǎng)對應(yīng)連接樹中簇(cluster)C、分隔集(separator)Ssep的勢函數(shù).

2.1 MSBN中的局部推理

假設(shè)已知連接樹中2個相鄰的葉節(jié)點－簇Ci和Cj，以及它們之間的分隔集 Ssep，ij，設(shè)它們相對應(yīng)的勢函數(shù)分別為 φCi、φCj和 φSsep，ij，從消息傳遞的角度Ci到Cj的傳遞(也稱收集證據(jù)，collect evidence)包含3個步驟:

1)更新φCi:令Ci中包含輸入證據(jù)的簇似然度為Lnew(初始值Lnew=1)，則

2)Ssep，ij吸收消息:

3)φCj吸收消息:

類似，可得到從Cj到Ci的消息傳遞(也稱發(fā)散證據(jù)，distribute evidence).

連接樹中的新證據(jù)可通過這種方式進(jìn)行消息傳播，最終再次達(dá)到連接樹內(nèi)的全局一致性(global consistence).

2.2 MSBN中的全局推理

MSBN的整體信度更新主要采用信度通信算法(CommunicateBelief)完成.每個智能體局部的推理通過子網(wǎng)連接樹的消息傳播達(dá)到局部一致性.多個智能體通過智能體之間子網(wǎng)的共享鏈樹進(jìn)行消息傳播，達(dá)到多智能體系統(tǒng)的全局一致性.

定理1 令F為智能體對應(yīng)MSBN中關(guān)于節(jié)點V的LJF，對應(yīng)的MSBN聯(lián)合概率分布為P(V).所有智能體完成局部觀測證據(jù)更新，通過信度通信算法后，則F為全局一致，且每個局部連接樹中每個簇C的勢函數(shù)滿足:

式中:K為一個非負(fù)值的常系數(shù)，x為MSBN的觀測值.

有關(guān)定理1的證明，請參閱文獻(xiàn)［9］.

MSBN在多智能體系統(tǒng)框架下將一個復(fù)雜系統(tǒng)分解成若干有重疊子域的多個小規(guī)模BN，使每一個BN子網(wǎng)可自主局部推理，雖然單個智能體僅擁有目標(biāo)的局部知識，但利用重疊子域信息的更新進(jìn)行子網(wǎng)間消息的傳播，實現(xiàn)了多源信息的相互補(bǔ)充.當(dāng)子網(wǎng)依賴的結(jié)構(gòu)稀疏時，推理計算可高效進(jìn)行［12］.

因此，MSBN框架下的分布式推理可以確保信度的更新是按照貝葉斯概率理論的精確推理來實現(xiàn)，從而為多智能體系統(tǒng)中任意節(jié)點的概率查詢提供了支持.

3 基于MSBN多智能體協(xié)同推理的目標(biāo)識別算法

每個智能體可以用一個BN子網(wǎng)表示，多個BN子網(wǎng)構(gòu)成一個完整的MSBN，可以解決快速、準(zhǔn)確的目標(biāo)識別問題.

多智能體協(xié)同目標(biāo)識別算法主要采用信度通信算法進(jìn)行整個MSBN的信度更新，從而完成待識別目標(biāo)在相應(yīng)的MSBN中“目標(biāo)類型”隱節(jié)點概率查詢的支持，達(dá)到目標(biāo)識別的目的.

假設(shè)目標(biāo)類型有m個待識別類別.有n個智能體可利用i個不同的傳感器系統(tǒng)從不同方位、途徑對目標(biāo)進(jìn)行觀測，但是受資源所限，每個智能體都只能觀測有限的q個局部特征信號(1≤q≤i)，各傳感器系統(tǒng)局部特征信號觀測值分為k個值域.本文提出的基于MSBN多智能體協(xié)同推理的目標(biāo)識別算法步驟如下.

1)設(shè)置目標(biāo)識別信度閾值參數(shù)θ*，確定智能體個數(shù) n.θ*范圍一般?。?.7，0.8］，n 值常取為3～5;

2)n個智能體分別根據(jù)各自的i個傳感器系統(tǒng)捕獲q個目標(biāo)特征數(shù)據(jù)(1≤q≤i)，每個目標(biāo)特征數(shù)據(jù)有k個觀測值，k值常取3或4;

3)建模判斷，若目標(biāo)識別系統(tǒng)尚未構(gòu)建目標(biāo)識別MSBN的鏈化連接森林，執(zhí)行4)，完成相應(yīng)模型的構(gòu)建;否則，跳轉(zhuǎn)執(zhí)行7);

4)對第j個智能體(1≤j≤n)，用目標(biāo)類型作為父節(jié)點Sj，Sj有m個取值事件，即有m個待識別類別，m常取值為3或4，以其q個目標(biāo)特征數(shù)據(jù)作為子節(jié)點，用有向邊分別連接父節(jié)點和各個子節(jié)點，即依次連接父節(jié)點Sj和子節(jié)點1、父節(jié)點Sj和子節(jié)點2……直至父節(jié)點Sj和子節(jié)點q，每條有向邊箭尾為父節(jié)點，箭頭指向子節(jié)點.這樣，可建立n個獨立的BN子網(wǎng)結(jié)構(gòu)，BN子網(wǎng)模型各節(jié)點間的信度條件概率參數(shù)采用EM算法進(jìn)行學(xué)習(xí)或?qū)＜抑R獲取;

5)用有向邊將n個BN子網(wǎng)的父節(jié)點(目標(biāo)識別類型節(jié)點)單向連接，即有向邊從父節(jié)點S1(箭尾)指向父節(jié)點S2(箭頭)，再從父節(jié)點S2(箭尾)指向父節(jié)點S3(箭頭)……直至父節(jié)點Sn－1(箭尾)指向父節(jié)點Sn(箭頭)，構(gòu)建得到MSBN;

6)利用文獻(xiàn)［9］的鏈樹(linkage tree)構(gòu)建法將MSBN構(gòu)建成鏈化連接森林;

7)各BN子網(wǎng)模型中，輸入各自的目標(biāo)特征數(shù)據(jù)作為觀測證據(jù)，利用連接樹算法進(jìn)行信度推理，從而完成n個子BN的目標(biāo)識別類型節(jié)點Sj的信度θj(1≤j≤n)的更新;

8)基于步驟7)獲得θj的更新，利用信度通信算法完成MSBN網(wǎng)內(nèi)的全局推理，更新MSBN模型目標(biāo)識別類型節(jié)點Sj的信度θj(1≤j≤n).

9)按式(1)計算目標(biāo)識別信度θ:

式中:wj(0＜wj＜1)為加權(quán)系數(shù)，且≤j≤n.加權(quán)系數(shù)常取算術(shù)平均加權(quán)，即wj=1/n.

10)若θ＞θ*，按式(2)計算目標(biāo)識別類型節(jié)點，輸出結(jié)果，目標(biāo)識別過程停止;否則，繼續(xù)通過傳感器系統(tǒng)捕獲目標(biāo)特征數(shù)據(jù)，以觀測目標(biāo)，并返回2).

目標(biāo)識別類型節(jié)點xS的目標(biāo)類型可由式(2)獲取:

4 實驗仿真

為了驗證基于MSBN多智能體協(xié)同推理的目標(biāo)識別算法的正確性和有效性，本文進(jìn)行了以下實驗.設(shè)置車輛所處的實際環(huán)境是“雜草”，實驗運行的硬件環(huán)境為2 GB內(nèi)存、2.5 GHz Pentium(R)Dual-core CPU的計算機(jī)，MSBN 推理軟件采用 WebWeaver IV［8］，WebWeaver IV中采用浮點型數(shù)值表示節(jié)點信度.

4.1 參數(shù)設(shè)置與特征數(shù)據(jù)預(yù)處理

設(shè)置目標(biāo)識別信度閾值參數(shù)θ*，確定智能體個數(shù)n.此處 θ*=75%，n值取為 3，加權(quán)系數(shù)wj=1/n=1/3(j=1，2，3).

待識別目標(biāo)環(huán)境離散化特征證據(jù)如表3所示，3個智能體可觀測目標(biāo)特征個數(shù)q亦列入表3.其中［* ，* ，*］表示目標(biāo)特征觀測證據(jù)，“真”取“1”，否則取“0”;“Φ”表示相應(yīng)觀測子系統(tǒng)中未獲得該目標(biāo)特征節(jié)點信息;“—”表示相應(yīng)模型中，由于某些不確定因素(如通信傳輸延遲等)，暫時未能獲得該目標(biāo)特征節(jié)點信息.其特征節(jié)點參數(shù)將按先驗條件概率取值進(jìn)行推理.

注意到在本實施用例中，由于沒有一個智能體捕捉到目標(biāo)的所有6個特征數(shù)據(jù)，尤其是DG、DB數(shù)據(jù)均未獲得，即模型輸入數(shù)據(jù)不完備.因此，若采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)建模方法，且不使用數(shù)據(jù)修補(bǔ)等劇增推理運算復(fù)雜度技術(shù)，目標(biāo)識別推理將不可進(jìn)行.然而進(jìn)行數(shù)據(jù)修補(bǔ)工作，勢必會增加目標(biāo)識別任務(wù)所需的時間消耗.

表3 目標(biāo)特征證據(jù)Table 3 Target characteristic evidences

4.2 推理機(jī)建模

本例中有3個智能體對同一目標(biāo)，即農(nóng)業(yè)車輛所處的實際環(huán)境進(jìn)行觀測、推理和識別.對目標(biāo)圖像采取6個特征參數(shù)表征，即R、G、B分量的均值和方差.在推理機(jī)建模階段，3個智能體推理子網(wǎng)分別用目標(biāo)類型S1、S2和S3作為父節(jié)點，相應(yīng)目標(biāo)特征數(shù)據(jù) ER，j、EG，j、EB，j、DR，j、DG，j和 DB，j作為子節(jié)點(j=1，2，3).根據(jù)提出的目標(biāo)識別算法，得到的農(nóng)業(yè)車輛環(huán)境識別MSBN模型如圖2所示，用鏈樹構(gòu)建法將MSBN構(gòu)建成相應(yīng)的鏈化連接森林，如圖3所示.

圖2 農(nóng)業(yè)車輛環(huán)境識別MSBNFig.2 Environment recognition MSBN for agricultural vehicle

圖3 MSBN推理機(jī)的鏈化連接森林Fig.3 Linked junction forest for MSBN inference engine

4.3 目標(biāo)識別結(jié)果

輸入如表3所示的有限證據(jù)，MSBN推理結(jié)果如表4所示.設(shè)智能體子系統(tǒng)的個數(shù)為n，局部連接樹中最大簇個數(shù)為m，最大簇的基數(shù)為q，鏈樹中的最大鏈樹個數(shù)為r，每個結(jié)點最多有k個取值，則MSBN 推理的計算復(fù)雜度為 O(n(m+2r)kq)［9］.由于MSBN重疊子域為稀疏拓?fù)浣Y(jié)構(gòu)，即通常m?r，此時計算復(fù)雜度可等效為O(nmkq).而同規(guī)模的單個BN推理采用連接樹算法的計算復(fù)雜度也為O(nmkq).比較可知，MSBN與BN 2種模型推理在計算復(fù)雜度方面相當(dāng).

表4 MSBN和BN方法進(jìn)行目標(biāo)識別推理結(jié)果(θ*=75%)Table 4 Target recognition inference results by MSBN and BN method(θ*=75%)

由表4可知，MSBN法進(jìn)行目標(biāo)識別推理結(jié)果為“雜草”的概率為94.20%.由于識別信度閾值參數(shù)θ*為75%，因此可判定出車輛所處環(huán)境為“雜草”.為了便于比較，使用傳統(tǒng)BN方法進(jìn)行目標(biāo)識別推理的結(jié)果也列在表4中，推理結(jié)果為“雜草”的概率為59.22%，遠(yuǎn)低于識別信度閾值，因此此時不能判定出車輛所處環(huán)境.

實驗結(jié)果表明，本文提出的方法與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法相比，即使模型輸入數(shù)據(jù)不完備，采用的MSBN方法無需智能體進(jìn)行更長耗時的更多特征數(shù)據(jù)的觀測，依然能完成識別推理，說明提出的方法較神經(jīng)網(wǎng)絡(luò)方法更為有效;而與傳統(tǒng)BN方法相比，在不增加目標(biāo)識別算法計算復(fù)雜度的條件下，采用MSBN方法可以在傳統(tǒng)BN方法不能給出識別結(jié)果的情況下，顯著提高識別信度，提升了目標(biāo)識別系統(tǒng)的準(zhǔn)確性能.

5 結(jié)束語

為了有效、準(zhǔn)確地識別出智能農(nóng)業(yè)車輛所處的環(huán)境類型，提出了基于MSBN多智能體協(xié)同推理的目標(biāo)識別算法，并將其應(yīng)用于基于機(jī)器視覺的車輛自動導(dǎo)航系統(tǒng).MSBN將不同的局部觀測證據(jù)融入貝葉斯子網(wǎng)，采用局部推理和全局推理相結(jié)合的方法，對多源信息進(jìn)行融合，提高了推理的有效性和準(zhǔn)確性.實驗結(jié)果表明，基于MSBN多智能體協(xié)同推理的目標(biāo)識別算法可以在嘈雜的、不確定的復(fù)雜環(huán)境中提高農(nóng)業(yè)車輛對所處環(huán)境進(jìn)行目標(biāo)識別的能力.這種基于MSBN的目標(biāo)識別方法也可以被廣泛應(yīng)用在工業(yè)機(jī)器人和農(nóng)業(yè)生產(chǎn)等其他相關(guān)領(lǐng)域，為進(jìn)一步的自主決策任務(wù)提供支持.

［1］BAKKER T，WOUTERS H，ASSELT K，et al.A vision based row detection system for sugar beet［J］.Computers and Electronics in Agriculture，2008，60(1):87-95.

［2］GOTTSCHALK R，BURGOS-ARTIZZU X P，RIBEIRO A，et al.Real-time image processing for the guidance of a small agricultural field inspection vehicle［J］.International Journal of Intelligent Systems Technologies and Applications，2010，8(1):434-443.

［3］王典，劉晉浩，王建利.基于系統(tǒng)聚類的林地內(nèi)采育目標(biāo)識別與分類［J］.農(nóng)業(yè)工程學(xué)報，2011，27(12):173-177.WANG Dian，LIU Jinhao，WANG Jianli.Identification and classification of scanned target in forest based on hierarchical cluster［J］.Transactions of the Chinese Society of Agricultural Engineering，2011，27(12):173-177.

［4］ROVIRA-MA F，ZHANG Q，REID J F，et al.Hough-transform-based vision algorithm for crop row detection of an automated agricultural vehicle［J］.Journal of Automobile Engineering，2005，219(8):999-1010.

［5］趙博，王猛，毛恩榮，等.農(nóng)業(yè)車輛視覺實際導(dǎo)航環(huán)境識別與分類［J］.農(nóng)業(yè)機(jī)械學(xué)報，2009，40(7):166-170.ZHAO Bo，WANG Meng，MAO Enrong，et al.Recognition and classification for vision navigation application environment of agricultural vehicle［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40(7):166-170.

［6］PEARL J.Causality:models，reasoning and inference［M］.2nd ed.Cambridge，UK:Cambridge University Press，2009.

［7］TANG Zheng，GAO Xiaoguang.Research on the self-defence electronic jamming decision-making based on the discrete dynamic Bayesian network［J］.Journal of Systems Engineering and Electronics，2008，19(4):702-708.

［8］XIANG Y，SMITH J，KROES J.Multiagent Bayesian forecasting of structural time-invariant dynamic systems with graphical models［J］.International Journal of Approximate Reasoning，2011，52(7):960-977.

［9］XIANG Yang.Probabilistic reasoning in multiagent systems:a graphical models approach［M］.Cambridge，UK:Cambridge University Press，2002.

［10］田鳳占，張宏偉，陸玉昌，等.多模塊貝葉斯網(wǎng)絡(luò)中推理的簡化［J］.計算機(jī)研究與發(fā)展，2003，40(8):1230-1237.TIAN Fengzhan，ZHANG Hongwei，LU Yuchang，et al.Simplification of inferences in multiply sectioned Bayesian networks［J］.Journal of Computer Research and Development，2003，40(8):1230-1237.

［11］郭文強(qiáng)，高曉光，侯勇嚴(yán).復(fù)雜系統(tǒng)的圖模型多智能體協(xié)同故障診斷［J］.計算機(jī)應(yīng)用，2010，30(11):2916-2919.GUO Wenqiang，GAO Xiaoguang，HOU Yongyan.Graphical model-based multi-agent coordination fault diagnosis for complex system［J］.Journal of Computer Applications，2010，30(11):2916-2919.

［12］XIANG Yang，JENSEN F V，CHEN Xiaoyun.Inference in multiply sectioned Bayesian networks:methods and performance comparison［J］.IEEE Transactions on Systems，Man，and Cybernetics—Part B:Cybernetics，2006，36(6):546-558.