具有認知特性的貝葉斯網絡結構學習方法研究.pdf

1、近年來，貝葉斯網絡因為其在不確定環(huán)境下知識表示、推理的能力，成為不確定性人工智能的研究熱點，為管理中的不確定性決策問題提供有效的工具和方法。目前為貝葉斯網絡開辟新應用方向的理論研究成為異?；钴S的研究領域，主要包括貝葉斯網絡學習和推理，其中貝葉斯網絡學習包括結構學習和參數(shù)學習。
　　傳統(tǒng)的貝葉斯網絡結構學習方法主要分為基于專家知識和基于數(shù)據(jù)集兩種類型，是從不同形態(tài)的知識源中挖掘問題域中表現(xiàn)為變量依賴關系的知識，進行知識表示來確定網絡

2、結構的過程。因此，貝葉斯網絡結構學習的過程是一個知識獲取的過程，其本質是機器學習方法的研究。但是基于數(shù)據(jù)集的學習方法具有一定的困難，已經證明搜索最優(yōu)的網絡結構是一個NP-hard問題，而基于專家知識的貝葉斯網絡學習具有一定的主觀性。為了解決傳統(tǒng)結構學習方法的問題，使計算機具有人的知識獲取能力，為學習方法開發(fā)智能的計算模型，是對貝葉斯網絡結構學習方法提出的新要求。
　　本文在貝葉斯網絡理論研究的基礎上，根據(jù)認知科學人工智能領域的新發(fā)

3、展要求，以從不同形態(tài)的知識源中自動進行知識獲取以及知識表示為目的，通過引入雙庫協(xié)同認知機制進行數(shù)據(jù)庫中的知識發(fā)現(xiàn)，以及基于強相關邏輯進行的知識庫中知識發(fā)現(xiàn)，研究能夠模仿人類認知活動自動地進行知識獲取并表示的貝葉斯網絡結構學習方法。針對問題域中具有完備數(shù)據(jù)集的情況，提出基于多值屬性關聯(lián)規(guī)則挖掘算法(Mqars)的結構學習方法;針對問題域中數(shù)據(jù)缺乏的情況，提出基于強相關邏輯的結構學習方法。最后分別用兩種具有認知特性的貝葉斯網絡結構學習方法對

4、上市公司財務預警問題和產業(yè)集群衰退問題建模進行實證研究。
　　具體的研究內容包括:
　　(1)分析貝葉斯網絡結構學習的本質，針對傳統(tǒng)方法的問題和人工智能領域的新要求，提出本文的研究問題和研究目的。對貝葉斯網絡理論研究框架進行深入研究，分析貝葉斯網絡結構學習的本質;通過對貝葉斯網絡結構學習方法的研究現(xiàn)狀，分析兩類傳統(tǒng)貝葉斯網絡結構學習方法的問題;綜述認知科學的人工智能領域新的發(fā)展要求，提出本文所研究的問題。
　　(2)針

5、對完備數(shù)據(jù)集的問題域，提出具有認知自主性的基于Mqars算法的貝葉斯網絡結構學習方法。首先，為了實現(xiàn)了數(shù)據(jù)庫與知識庫的互操作，提出了一系列定義和定理搭建研究的理論框架，這是使方法具有認知特性的基礎;然后，針對各個流程提出一系列子算法進行知識獲取并將知識表示為貝葉斯網絡，包括基于粗糙集、核主成分分析、粗糙集&核主成分分析的先驗知識提取約簡方法、基于粗糙集的多值屬性關聯(lián)規(guī)則算法(Mqars)和因果關系關聯(lián)規(guī)則的貝葉斯網絡結構表示方法。

6、>　　(3)提出基于強相關邏輯的貝葉斯網絡（strong relevant logic-Bayesian networks，簡稱SRL-BNs）以及基于SRL-BNs的貝葉斯網絡結構學習方法。從貝葉斯網絡的底層邏輯出發(fā)，針對現(xiàn)有的貝葉斯網絡的概率邏輯模型存在的問題，構建基于強相關邏輯的貝葉斯網絡形式化的表示系統(tǒng)，用確定子句邏輯的語言定義了貝葉斯網絡的組件，并給出了宣言式的語義。給出了基于SRL-BNs的結構學習方法的具體算法，該算法能夠

7、自動的進行知識庫中的知識發(fā)現(xiàn)，針對不完備數(shù)據(jù)集和缺乏數(shù)據(jù)問題域，能夠自動獲取知識并表示成貝葉斯網絡結構，是一個具有認知特性的自動化的機器學習工具。最后通過一個實例分析SRL-BNs的組件及其建模過程。
　　(4)建立基于貝葉斯網絡的財務預警模型進行上市公司財務預警問題的研究。對問題的研究背景、研究意義及研究現(xiàn)狀、研究方法進行綜述，收集樣本并在真實的數(shù)據(jù)上訓練貝葉斯網絡財務預警模型的結構和參數(shù)，在結構學習上利用基于Mqars算法的貝

8、葉斯網結構學習方法，用構建的模型進行預測，分析預測結果并得出結論。
　　(5)建立基于強相關邏輯貝葉斯網絡的產業(yè)集群衰退模型。分析產業(yè)集群衰退問題的研究現(xiàn)狀，進行了產業(yè)集群衰退預測建模的實證研究，構建產業(yè)集群衰退風險因素的知識庫，用基于SRL-BNs的結構學習方法進行結構建模，采集真實的數(shù)據(jù)作為樣本訓練模型參數(shù)，并預測衰退的概率，分析預測結果。
　　本文的主旨是針對具體問題域的特點，將貝葉斯網絡學習的過程模仿人類認知過程進行