1.基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述评价方法包括如下步骤步骤1：设输入的多样性特征的多维相关数据Sij＝{aji}为区间值和离散值的混合集，其中i表示数据的维度i＝1,2,…,n，j表示样本的数量j＝1,2,…,m，若将每个数据都视为区间数aji＝[xji,yji]，其中xji,yji相等，记数据Sij左端点的集合 为数据Sij的极小值集合，Sij右端点的集合 为数据的极大值集合，将多维的具有极小值和极大值的‑ +区间数集形成样本矩阵即 对极大值集Sij和极小值集Sij 进行数据编码化处理，得到数据编码Code和编码规则Rule；

步骤2：根据数据相关关系和属性特征，构建贝叶斯网络有向无环图，将按步骤1进行数据编码后的原始数据的各维度数据表示为贝叶斯网络中的节点 其中i表示数据的维度，k表示该维度的状态即在相应编码下的编码的规则Rule，计算得到构建的贝叶斯网络的节点变量 其中 表示没有父节点的独立节点变量， 表示有父节点的非独立节点变量，及有向的父节点；

步骤3：采用改进的Apriori算法求得各个节点 的支持度 并作为贝叶斯网络的条件概率表L(V)；

步骤4：依据证据相关法对数据的贝叶斯网络进行推理，计算数据的可靠性。

2.根据权利要求1所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤1中，数据编码化处理的处理过程为：步骤1.1：分别对数据 和 进行无监督聚类学习，求得最大的邻居数N，并按照邻居数N对样本矩阵Sij按照局部线性嵌入算法进行线性重构，计算得到样本矩阵的特征向量，将该特征向量进行聚类，得到样本矩阵的数据编码Code和数据各维度聚类的集合Rule，Rule即为编码规则。

3.根据权利要求2所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤1.1的具体过程为：‑ +

步骤1.1.1：输入数据矩阵Sij＝(Sij ,Sij)，通过交叉检验确定阈值T；

‑ +

步骤1.1.2：从数据集Sij或者Sij中任取一点，计入分类集Canopy；

‑ +

步骤1.1.3：从数据集Sij或者Sij中任取一点P，计算P与分类集Canopy的距离；

步骤1.1.4：判定分类集Canopy，如果分类集Canopy距离小于T则将P存入分类集‑ +Canopy，否则将P从Sij或者Sij中删除；

‑ +

步骤1.1.5：重复步骤1.1.3，1.1.4直到Sij或者Sij 中没有数据，输出分类集Canopy中‑ +的数据数目K或分类集K ,并求得聚类数目K；

‑ + ‑ +

步骤1.1.6：从Sij或者Sij中随机选择K个数据集，计入C或者C；

‑ + ‑ + ‑ +

步骤1.1.7：根据欧氏距离，将Sij或者Sij中分配入C或者C，形成数据集Q或者Q；

‑ + ‑ +

步骤1.1.8：计算每个类Q或者Q的平均值，作为新的C或者C；

‑ +

步骤1.1.9：重复1.1.7和1.1.8直到C或者C不再改变；

‑ +

步骤1.1.10：输出Q或者Q中的最大邻居数N；

‑ +

步骤1.1.11：将样本矩阵Sij＝{Sij ,Sij}按照最大邻居N进行线性重构得到权重系数矩阵W＝{wj}(j＝1,2,…,m)；

T ‑

步骤1.1.12：计算矩阵M＝(I‑W) (I‑W)，并求得第2个特征值的特征向量dj，将Sij或者+ +Sij 替换为dj，重复步骤1.1.6‑1.1.9直到C‑或者C 不再改变，得到基于dj的新的聚类结果Qi'；

步骤1.1.13：通过算式Code＝index(dj,Qi')得到dj在Qi'中的索引，即数据编码Code，index(dj,Qi')表示取将dj分配入Qi'中的索引；及具有相同聚类索引的数据集组合，即为编码规则Rule，运算表示为Rule←Q'，Sij。

4.根据权利要求3所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数‑ +据可靠性评价方法，其特征在于：所述步骤1.1.5中数据聚类数K＝min(K ,K)，步骤1.1.10‑ +中最大邻居数N＝max(Q ,Q)。

5.根据权利要求3所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤1.1.11中权重系数的计算方法为：其中，Sij的N个近邻点用η表示。

6.根据权利要求1所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤3中的改进的Apriori算法的具体过程为：步骤3.1：输入节点变量

C

步骤3.2：计算没有父节点的独立节点变量集合 的条件概率表 和数据编码S；

步骤3.3：对有父节点的非独立节点变量集合 进行连枝，即将该节点和其所有父节点进行组合，得到步骤3.4：计算节点变量集合 在状态为k时节点个数占总数据样本的比例，即支持度步骤3.5：计算节点变量集合 的置信度 和条件概率表

步骤3.6：输出最终的条件概率表L(V)。

7.根据权利要求6所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤3.1中对有父节点和无父节点的节点变量进行划分，所述步骤3.3中的连枝从没有父节点的节点变量开始始扫描。

8.根据权利要求1所述的基于改进Apriori算法和贝叶斯网络推理的挤压铸造工艺数据可靠性评价方法，其特征在于：所述步骤4中证据相关法的推理公式：θ

表示节点vi的子节点，Fi＝Par(vi)表示节点vi的父节点，A(vi)表示节点vi状态的概率值，其中S表示子节点 中的元素个数，|F|表示父节点F中的元素个数。