كاربرد شبكه هاي Bayesian در تخمين متغيرهاي حالت

Application of Bayesian networks in estimating state variables

هدف از اين مطالعه بررسي كاربرد شبكه هاي Bayesian به منظور تخمين متغيرهاي حالت مي باشد. در اين مقاله ابتدا با تمركز بر روي يك معادله ديفرانسيل معمولي (فرآيند نمونه)، روشي مناسب براي اجراي تخمين حالت به كمك شبكه هاي Bayesian ايجاد شده است. سپس كارايي اين روش در تخمين مقدار متغيرهاي حالت يك فرآيند پيچيده تر، مورد ارزيابي قرارگرفته است. در ادامه فرآيند لجن فعال به عنوان فرآيند مرجع جهت بررسي عملكرد روش ارائه شده در تخمين متغيرهاي حالت انتخاب شده است. اين فرآيند به دليل دارا بودن مجموعه معادلات پيچيده، موجب گشته تا كارايي اين روش در تخمين ساير فرآيندها بهتر نشان داده شود. نتايج حاصل از اين مطالعه نشان ميدهد كه شبكه هاي Bayesian مي توانند به عنوان ابزاري قدرتمند با كمترين خطا در امر تخمين در بسياري از فرآيندها مورد استفاده قرار گيرد.

The purpose of this study was to investigate Bayesian network application in order to estimate state variables. In this paper, first, by focusing on a typical differential equation (sample process), a suitable method for executing the predicted state by Bayesian networks has been created. Then, the efficiency of this method is evaluated in estimating the amount of state variables in a more complex process. In activated sludge process as a reference process to evaluate the performance of the proposed method in the modeling of selected variables. This process, due to the complex set of equations, has been shown to be better demonstrated in comparison with other processes. The results of this study indicate that Bayesian networks can be used as a powerful tool with the least error in evaluation in many processes.