分享到:

贝叶斯网络结构学习分析

贝叶斯网络结构学习(以下简称结构学习)的目标是寻找对先验知识和数据拟合得最好的网络结构。结构学习有两种方式,一  (本文共3页) 阅读全文>>

武汉大学
武汉大学

贝叶斯网络结构学习及其在数据挖掘中的应用研究

21世纪是知识经济时代,也是数字化与信息化的时代。人类社会活动离不开信息的获取、处理、开发与利用,信息在人们的生活、服务和生产中发挥着日益重要的作用,信息产业成为推动现代市场经济发展的强大动力。勿庸置疑,信息已经成为促进经济增长和社会进步的一个重要因素,也成为科学发展与科学研究的主旋律。随着各种信息系统、专家系统、数据库和知识库的建立,极大地提高了人类信息管理和科学决策的水平与能力。同时,由于信息和数据量的急剧增加,如何有效地开发和利用这些信息资源成为目前的一项重要课题。在这种社会背景下,数据库技术、人工智能、数理统计和并行计算等技术的相互渗透,使得数据挖掘(Data Mining,DM)技术应运而生,并引起了商业界和学术界的广泛关注。贝叶斯网络是20世纪80年代提出的不确定性推理方法,它为依赖关系和因果关系提供了一种自然而有效的表达方式。贝叶斯网络具备概率推理能力强、语义清晰、易于理解等技术特点,可以发现数据集中潜在的关系和模...  (本文共136页) 本文目录 | 阅读全文>>

山西财经大学
山西财经大学

基于正则化的贝叶斯网络结构稀疏学习及应用研究

贝叶斯网络是一种表示随机变量联合分布的有效建模工具,被广泛用于不确定性系统的建模和推理。它用有向无环图从全局角度揭示了所有随机变量间存在的直接和间接联系,同时可用随机变量的概率分布量化变量间概率依赖的程度。其中,从数据中自动识别最优的贝叶斯网络结构是研究的热点和难点。高维背景下,面向中小型网络的传统贝叶斯网络结构学习方法在搜索最优贝叶斯网络时遇到了挑战。贝叶斯网络有向无环图空间会随网络节点的增加呈指数倍增长,高维数据的出现使得该空间暴增,进而使得搜索工作计算量大、时间成本高,有效性差;同时,高维数据还会使贝叶斯网络结构学习模型变得愈加复杂,产生过拟合问题,模型泛化能力和解释能力差。针对高维背景下贝叶斯网络结构学习面临的问题,学者们对贝叶斯网络结构施加各种软硬约束以稀疏化网络结构,从而简化大型复杂网络的结构学习。硬约束是人工主观地将节点最大相邻节点数或父节点数统一设定为一个较小的常数,此类方法忽视了不同节点连接密度的不均匀性。软约...  (本文共213页) 本文目录 | 阅读全文>>

西安科技大学
西安科技大学

贝叶斯网络在退耕农民土地利用行为中的应用

针对退耕还林工程和城镇化建设双重背景下农民土地利用行为的复杂性及贝叶斯网络在土地利用/覆被变化中的不规范性,提出了规范的贝叶斯网络建模方法。通过Matlab软件的BNT工具箱及Fayyad的MDL离散化算法确定了调研数据离散化的最佳切点并获得三组数据,继而通过12种结构学习算法构建了36种网络。本文主要选取Bayesian评分、LL评分、AIC评分均最高、BIC评分靠前、运行时间可接受、满足现实情况并具有一定推广价值的MWST+T-K2结构学习算法构建的三种网络研究退耕还林中农民的土地利用行为(BF-LUC-BN)。使用CV-5和CV-10方法对三种贝叶斯分类器进行分类检验,得到了BF-LUC-BN的分类准确率、误差棒、分类正确率、召回率及F1-评分等指标。通过这些指标同NBC、TANC及MWST分类器比较发现MWST+T-K2分类器在二分网络上的分类水平最高,但在三分网络和四分网络上的分类水平略低于TANC的分类水平,且数据的...  (本文共70页) 本文目录 | 阅读全文>>

国防科学技术大学
国防科学技术大学

高效贝叶斯网络结构学习算法研究

贝叶斯网络(Bayesian Network)是机器学习研究领域的重要课题之一。贝叶斯网络结构学习是指寻找与训练样本拟合程度最高的网络结构的方法。随着大数据时代的来临,传统结构学习方法面临着巨大挑战。一方面,传统贝叶斯网络结构学习算法的精度已越来越难以满足实用场景的要求;另一方面,传统算法的执行速度十分缓慢。本文针对贝叶斯网络结构学习中如何提高算法结果精度以及如何提高算法执行效率的问题进行了研究。第一,针对传统贝叶斯网络结构学习算法容易陷入局部极大值的缺点,提出了基于拓扑序列的启发式构造(Topology Sequence Heuristic Network Construction)算法。其基本思想是:每个贝叶斯网络都对应一组拓扑序列,通过启发式地构造最优拓扑序列,生成出目标网络。该算法将对网络的搜索转化为对线性序列的搜索,降低了搜索的难度。算法利用残余爬山网络能够快速收敛的特性,用爬山网络的评分值作为构造序列的启发式函数,大...  (本文共61页) 本文目录 | 阅读全文>>

南京邮电大学
南京邮电大学

量子粒子群算法及其在贝叶斯网络结构学习的应用研究

对贝叶斯网络结构进行学习是一个NP难解问题,并且当数据集比较大时用经典算法如粒子群算法和爬山算法容易陷入局部最优值,K2算法要已知节点的次序,最大加权生成树算法寻优能力比较差。因此,本文提出一种新的方法对贝叶斯网络进行结构学习—离散的基于二进制编码的量子粒子群算法,采用了贝叶斯准则打分函数,并在学习的过程中引入了去环的操作,提高了搜索网络的准确性。在研究经典贝叶斯网络的基础上,引入了量子计算的概念,研究了量子贝叶斯网络及其结构。提出一种新的量子贝叶斯网络,证明其可以表示为概率幅的乘积,降低量子图模型的运算复杂度,主要工作如下:第一,研究了贝叶斯网络的结构,分析了一个贝叶斯网络模型实例结构及其条件概率分布。在此基础上,研究了贝叶斯网络的结构学习。重点研究了基于依赖分析的贝叶斯网络结构学习和基于评分搜索的贝叶斯网络结构学习,分析了现有一些经典算法比如K2算法和最大加权生成树(MWST)算法的优势和不足,并运用这两种算法仿真得到了贝叶...  (本文共71页) 本文目录 | 阅读全文>>