分享到:

贝叶斯网络的参数学习研究

贝叶斯网络是数据采掘的一个非常有效的工具,它能够定性和定量地分析属性之间的依赖关系,进行概率推理。在给出贝叶斯网络相关概念后,讨论了贝叶  (本文共4页) 阅读全文>>

合肥工业大学
合肥工业大学

贝叶斯网络建模及推理算法研究

贝叶斯网络(Bayesian Networks,BN)简洁的不确定性知识表示形式和双向的推理能力,使其成为人工智能领域的研究热点之一。贝叶斯网络建模技术与推理算法的研究是其理论与应用研究的核心和难点问题。本文对贝叶斯网络建模技术和推理算法中存在的一些问题做了深入的研究,具体的研究内容如下:(1)具有缺省数据或含有隐变量的贝叶斯网络参数学习和结构学习是贝叶斯网络学习研究的热点同时也是研究的难点。基于EM算法框架的BN学习算法可以较好的处理上述问题。但该类算法易于收敛到局部最优,同时计算量过大也是其应用的一个瓶颈问题。本文针对EM算法学习贝叶斯网络参数的计算问题,提出了一种并行EM算法提高大样本条件下贝叶斯网络参数学习的速度。在此基础上,我们深入分析了结构EM算法(Structural EM,SEM),用并行的方法来进行SEM算法的参数学习,从而提出一种并行的贝叶斯网络结构学习算法一并行SEM算法(Parallel SEM,PL-S...  (本文共71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

判别贝叶斯网络的学习算法及其应用研究

贝叶斯网络分类器在很多领域有广泛的应用。为了更好的解决分类问题,出现了两种不同的扩展贝叶斯网络分类器。一是网络结构的扩展,这方面的代表有朴素贝叶斯分类器和TAN分类器;另一种是学习方法的扩展,即基于判别学习的贝叶斯网络分类器。从学习的目的性来讲,贝叶斯网络的学习方法包括生成学习和判别学习。自贝叶斯网络出现以来,主要研究了生成学习方法,而判别学习相关的研究则相对很少。本文从判别学习的角度,围绕实际问题中的分类代价不平衡数据、属性缺值数据以及类别缺值数据,研究了基于判别学习的贝叶斯网络的几种算法。本文的主要研究内容如下:(1)论文总结了现有的贝叶斯网络的生成学习算法和判别学习算法,并从几个不同的角度对生成贝叶斯网络和判别贝叶斯网络进行了实验对比。(2)在分类代价不平衡数据的判别贝叶斯网络的学习中,针对样本数据分类代价的不平衡性,在判别贝叶斯网络学习的基础上,提出了贝叶斯网络的代价敏感参数和代价敏感结构的学习算法。在参数学习算法中提出...  (本文共128页) 本文目录 | 阅读全文>>

广西师范大学
广西师范大学

基于遗传算法的贝叶斯分类器结构学习研究

近二十年来,世界经济带动信息技术急剧发展,Internet 技术的应用飞速普及,人们收集数据的能力的大幅提高,使得可以获取得到的和需要处理的数据规模越来越巨大。面对“数据丰富而知识匮乏”的挑战,数据挖掘(Data Mining)和知识发现(Knowledge Discovery)技术应运而生,并得以蓬勃发展,越来越显示出其强大的生命力。分类是数据挖掘中一项十分重要的任务,其目的是找出分类函数或者分类模型。目前常用的分类方法主要是一些机器学习的方法,如决策树方法、规则归纳方法、神经网络方法、遗传算法、蚂蚁算法等。在众多的分类方法中,贝叶斯网络作为一种有效的知识表示方式和概率推理模型,是处理不确定信息的强有力图形决策化分析工具。有其坚定的理论基础、自然的知识表示方式、灵活的推理能力和方便的决策机制,受到越来越多的重视。近年来,基于贝叶斯网络的数据挖掘取得了良好的效果,成为研究热点。贝叶斯方法是基于贝叶斯定理而发展起来的用于系统阐述和...  (本文共51页) 本文目录 | 阅读全文>>

西安电子科技大学
西安电子科技大学

基于缺失数据的贝叶斯网络结构学习

作为一类特殊的图模型,贝叶斯网络已逐渐成为不确定性知识表达和推理的重要工具,并成功应用于金融数据分析、机器学习、人工智能以及预测决策等众多领域.在处理实际问题时,首要任务是成功建立网络模型,因此本文在深入研究贝叶斯网络相关理论的基础上,着重研究贝叶斯网络结构的学习机制,提出了一种新的贝叶斯网络结构学习算法.主要工作有:首先探讨了已有的贝叶斯网络结构学习算法,详细分析了它们的学习机制以及各自的优缺点.其次详细地描述和分析了基本的ABC算法和DE算法,基于此提出了学习贝叶斯网络结构的HABC算法.算法结合ABC算法的强探索能力和DE算法的强开发能力,提出了新的蜜源更新策略,并在观察蜂阶段采用自适应的选择策略.HABC算法既加快了收敛速度,又保持了ABC算法强大的全局寻优能力,且自适应的选择策略又保证了种群的多样性.在经典的alarm网络上进行了数值实验,结果表明:HABC算法不仅加快了算法的收敛速度,而且由于其具有跳出局部循环的能力...  (本文共65页) 本文目录 | 阅读全文>>

杭州电子科技大学
杭州电子科技大学

贝叶斯网络结构增量学习研究

贝叶斯网(Bayesian Networks,BN)又称信度网,起源于20世纪80年代中期对不确定性问题的研究,其清晰的语义结构揭示了研究对象的内在统计关系,是复杂联合概率分布的紧凑表示方式,它凭借结构化的自然表述方式,有效的学习能力及方便的推理机制,使其成为人工智能领域的一个重要理论工具。针对贝叶斯网络结构的批量学习算法无法适应初始训练数据集的不完整和模型的动态变化问题,贝叶斯网络结构的增量学习算法成为贝叶斯网络结构学习的研究热点之一。本文研究了贝叶斯网络结构的增量学习算法,所做的主要工作和创新点如下:研究了基于TOCO(Traversal Operators in Correct Order)和RSS(Reduced Search Space)启发函数的贝叶斯网络结构的增量学习算法。TOCO启发函数通过分析爬山算法的搜索路径,做出是否需要更新网络结构的决定。可以使得算法能够在新数据无效的情况下,利用当前网络结构作为初始化的网...  (本文共64页) 本文目录 | 阅读全文>>