基于圖分塊的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究.pdf

1、貝葉斯網(wǎng)絡(luò)作為一種圖形化的建模工具，提供了一種表示變量之間因果關(guān)系的方法，在不確定推理方面發(fā)揮了很大的優(yōu)勢(shì)，并廣泛運(yùn)用于專家系統(tǒng)、人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域。結(jié)構(gòu)學(xué)習(xí)是將有向無(wú)環(huán)圖和概率論有機(jī)結(jié)合，根據(jù)變量的觀測(cè)數(shù)據(jù)確定貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)間因果關(guān)系的一種方法，是貝葉斯網(wǎng)絡(luò)學(xué)習(xí)中的重點(diǎn)和難點(diǎn)。隨著大數(shù)據(jù)時(shí)代的到來(lái)，網(wǎng)絡(luò)規(guī)模越來(lái)越龐大，傳統(tǒng)結(jié)構(gòu)學(xué)習(xí)算法在學(xué)習(xí)效率和學(xué)習(xí)精度上的問(wèn)題日益凸顯出來(lái)。
　　本文從傳統(tǒng)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)框架入手，

2、將復(fù)雜網(wǎng)絡(luò)中圖分塊方法加入到結(jié)構(gòu)學(xué)習(xí)的過(guò)程中，改進(jìn)了結(jié)構(gòu)學(xué)習(xí)的框架；提出了混沌混合改進(jìn)粒子群算法，有效解決了傳統(tǒng)粒子群算法容易陷入早熟的問(wèn)題。主要工作有：
　　首先，對(duì)迄今貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法進(jìn)行綜述。將這些方法分為三類：1、基于統(tǒng)計(jì)分析的結(jié)構(gòu)學(xué)習(xí)方法；2、基于評(píng)分搜索的結(jié)構(gòu)學(xué)習(xí)方法；3、混合貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法。在指出現(xiàn)階段結(jié)構(gòu)學(xué)習(xí)面臨問(wèn)題的同時(shí)，給出其發(fā)展方向。
　　然后，改進(jìn)了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)框架。對(duì)于大型的貝葉

3、斯網(wǎng)絡(luò)，其結(jié)構(gòu)空間隨節(jié)點(diǎn)數(shù)呈指數(shù)倍增長(zhǎng)。在此情況下，傳統(tǒng)的兩階段框架學(xué)習(xí)效率明顯降低，本文將復(fù)雜網(wǎng)絡(luò)社團(tuán)挖掘方法中的Newman快速算法引入到貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)中，將第一階段的相關(guān)網(wǎng)絡(luò)劃分為多個(gè)子網(wǎng)絡(luò)分別進(jìn)行學(xué)習(xí)，并以此改進(jìn)了結(jié)構(gòu)學(xué)習(xí)框架，提高了算法的學(xué)習(xí)效率。
　　最后，提出了混沌混合改進(jìn)粒子群算法。粒子群算法因其模型和編碼簡(jiǎn)單，多用于評(píng)分搜索過(guò)程中，但傳統(tǒng)粒子群算法收斂過(guò)快容易早熟。本文將粒子群劃分為多個(gè)子群，把子群最優(yōu)速度引