建筑技术创新风险的贝叶斯网络模型分析

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (18): 33-38.

建筑技术创新风险的贝叶斯网络模型分析

陈帆1，谢洪涛2

1.湖南科技大学土木工程学院，湖南湘潭 411201
2.昆明理工大学建筑工程学院，昆明 650093

出版日期:2014-09-15 发布日期:2014-09-12

Risk analysis of construction technology innovation by Bayesian networks model

CHEN Fan1, XIE Hongtao2

1.School of Civil Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
2.Construction Engineering College, Kunming University of Science and Technology, Kunming 650093, China

Online:2014-09-15 Published:2014-09-12

摘要/Abstract

摘要： 传统的计算方法难以对建筑技术创新风险进行定量分析。通过专家先验知识与问卷调查数据相结合，可以建立建筑技术创新风险评估的贝叶斯信念网络模型。采用NETICA软件拟合样本数据，得到网络模型各个节点间的条件概率分布。在某绿色建筑技术创新项目中应用结果表明贝叶斯网络模型能够比较准确地实现对建筑技术创新风险的定量预测，与工程实际情况对比具有较好的符合性。

关键词: 技术创新, 贝叶斯网络, 风险评估, 建筑技术

Abstract: Risk assessment of construction technology innovation is an unresolved problem for the traditional calculation method. This paper describes how Bayesian network is applied to quantifying the probability of construction?technology innovation risks. Based on the review of relevant literature and survey, a Bayesian network model is constructed to risk assessment of construction technology innovation. Through using the NETICA software to fit the data samples of questionnaire investigation, it gets the probability density of most nodes. The validity of the proposed model is tested by using a realistic case study with high compliance at last.

Key words: technology innovation, Bayesian network, risk assessment, construction technology

陈帆1，谢洪涛2. 建筑技术创新风险的贝叶斯网络模型分析[J]. 计算机工程与应用, 2014, 50(18): 33-38.

CHEN Fan1, XIE Hongtao2. Risk analysis of construction technology innovation by Bayesian networks model[J]. Computer Engineering and Applications, 2014, 50(18): 33-38.

[1]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[2]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[3]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[4]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.
[5]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[6]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[7]	蔡青松，陈希厚. 基于评分函数的贝叶斯网络结构融合算法[J]. 计算机工程与应用, 2019, 55(11): 147-152.
[8]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[9]	朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4. 面向普适健康监测的心脏病分析方法[J]. 计算机工程与应用, 2018, 54(1): 159-165.
[10]	王东1，2，陈志1，岳文静3，刘亚威1. 使用贝叶斯网络的社交网络信任驱动推荐方法[J]. 计算机工程与应用, 2017, 53(9): 146-151.
[11]	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法[J]. 计算机工程与应用, 2017, 53(24): 161-167.
[12]	高志方，盛冠帅，彭定洪. 妥协率法在信息安全风险评估中的应用[J]. 计算机工程与应用, 2017, 53(23): 82-87.
[13]	丁东1，付晓东1，2，岳昆3. 基于贝叶斯网络的在线商品评价质量评估[J]. 计算机工程与应用, 2017, 53(2): 21-26.
[14]	高学攀，廖士中. 基于贝叶斯网络的林火概率预测系统设计与实现[J]. 计算机工程与应用, 2017, 53(13): 246-251.
[15]	刘飞飞，蔺婧娜，刘潇潇. 基于动态贝叶斯网络的复杂网络攻击方法研究[J]. 计算机工程与应用, 2017, 53(11): 18-25.