貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)及其應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩103頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、現(xiàn)實(shí)世界中存在著大量的不確定性現(xiàn)象,建立有效的模型是對不確定性問題正確決策的關(guān)鍵。針對問題領(lǐng)域中變量之間的不確定性關(guān)系,貝葉斯網(wǎng)絡(luò)提供了一種緊湊、直觀且有效的圖形表達(dá)方式。建立高效穩(wěn)定的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)算法是貝葉斯網(wǎng)絡(luò)走向應(yīng)用的關(guān)鍵所在,多年來,貝葉斯網(wǎng)絡(luò)學(xué)習(xí)及其應(yīng)用一直是國內(nèi)外研究的熱門課題。本文在對貝葉斯網(wǎng)絡(luò)的國內(nèi)外研究現(xiàn)狀進(jìn)行全面分析的基礎(chǔ)上,針對結(jié)構(gòu)學(xué)習(xí)目前所面臨的收斂速度慢和可能收斂于局部最優(yōu)兩大主要問題,對數(shù)據(jù)完備和數(shù)據(jù)缺失兩

2、種情況下的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)進(jìn)行了研究,并進(jìn)一步地對貝葉斯網(wǎng)絡(luò)在靈敏度分析和頻繁模式挖掘中的應(yīng)用進(jìn)行了研究。全文主要內(nèi)容如下:
   1.貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)研究
   ①數(shù)據(jù)完備情況下貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí):研究發(fā)現(xiàn)MCMC方法抽樣過程產(chǎn)生的馬爾可夫鏈具有各態(tài)遍歷性,并能保證最終收斂于平穩(wěn)分布,因而具有良好的精度。MHS是最常用的MCMC方法之一,但MHS算法抽樣過程的融合性差,收斂速度較慢。本文從初始值、建議分布和對網(wǎng)

3、絡(luò)子結(jié)構(gòu)的抽樣三個(gè)方面對MHS抽樣算法進(jìn)行改進(jìn),提出了一種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法PCMHS,該算法同時(shí)進(jìn)行多個(gè)MHS抽樣,構(gòu)建多條并行的收斂于Boltzmann分布的馬爾可夫鏈。算法PCMHS首先基于節(jié)點(diǎn)之間的互信息,進(jìn)行所有馬爾可夫鏈的初始化,在其迭代過程中,算法PCMHS基于并行的上一代抽樣的樣本總體得到產(chǎn)生下一代個(gè)體的建議分布,并通過同時(shí)對網(wǎng)絡(luò)中弧和子結(jié)構(gòu)的抽樣產(chǎn)生下一代個(gè)體。算法PCMHS能收斂于網(wǎng)絡(luò)結(jié)構(gòu)的平穩(wěn)分布,因而具有良好

4、的學(xué)習(xí)精度,而該算法又通過使其初始分布和建議分布近似于其平穩(wěn)分布,有效地提高了抽樣過程的收斂速度。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果也驗(yàn)證了算法PCMHS的學(xué)習(xí)效率和學(xué)習(xí)精度明顯優(yōu)于經(jīng)典算法MHS和PopMCMC。
   ②數(shù)據(jù)缺失情況下貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí):針對數(shù)據(jù)缺失嚴(yán)重情況下,具有缺失數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法存在的學(xué)習(xí)效率偏低和易于陷入局部最優(yōu)等問題,本文建立了一種具有缺失數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法BC-ISOR,該算法基于界

5、定折疊方法從缺失數(shù)據(jù)集學(xué)習(xí)不同變量子集的概率分布,然后基于依賴分析方法進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)。針對屬性個(gè)數(shù)不超過30的數(shù)據(jù)集,算法BC-ISOR可以通過一遍掃描數(shù)據(jù)集得到所有已經(jīng)發(fā)生的實(shí)例數(shù)和可能的實(shí)例數(shù),其對缺失數(shù)據(jù)的處理效率與數(shù)據(jù)的缺失率無關(guān),并通過在結(jié)構(gòu)學(xué)習(xí)的過程中采用啟發(fā)式切割集搜索算法和在冗余邊檢驗(yàn)之前識(shí)別出所有的邊的方向來降低條件獨(dú)立性檢驗(yàn)的次數(shù)和階數(shù),因而具有良好的學(xué)習(xí)性能。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明該算法具有良好的學(xué)習(xí)效率

6、和學(xué)習(xí)精度。
   2.貝葉斯網(wǎng)絡(luò)的應(yīng)用研究
   學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的目的是基于貝葉斯網(wǎng)絡(luò)的推理開展貝葉斯網(wǎng)絡(luò)的應(yīng)用研究。
   ①貝葉斯網(wǎng)絡(luò)的靈敏度分析,貝葉斯網(wǎng)絡(luò)的靈敏度分析基于連接樹推理算法,主要包括證據(jù)重要性分析和參數(shù)靈敏度分析。Shafer-Shenoy和Hugin算法設(shè)計(jì)了兩種不同的基于連接樹的推理分析算法的消息傳播方式,相比于Shafer-Shenoy算法,Hugin算法具有較高的推理分析效率,但在鄰

7、接樹中存在零因子的情況下不能保證能夠通過局部計(jì)算進(jìn)行靈敏度分析,針對這一問題,本文通過在Hugin算法的消息傳播過程中引入零因子標(biāo)志位和零因子處理機(jī)制,提出了一種用于進(jìn)行靈敏度分析的Hugin算法的改進(jìn)算法R-Hugin,并從理論和實(shí)驗(yàn)兩個(gè)方面證明了R-Hugin算法的正確性和有效性。
   ②基于貝葉斯網(wǎng)絡(luò)的頻繁模式發(fā)現(xiàn):本文采用貝葉斯網(wǎng)絡(luò)表示領(lǐng)域知識(shí),提出一種基于領(lǐng)域知識(shí)的頻繁項(xiàng)集和頻繁屬性集的興趣度計(jì)算和剪枝方法BN-EJ

8、TR,其目的在于發(fā)現(xiàn)當(dāng)前領(lǐng)域知識(shí)不一致的知識(shí),以解決頻繁模式挖掘所面臨的有趣性和冗余問題。針對興趣度計(jì)算過程中批量推理的需求,BN-EJTR提供了一種基于擴(kuò)展鄰接樹消元的貝葉斯網(wǎng)絡(luò)推理算法,用于計(jì)算大量項(xiàng)集在貝葉斯網(wǎng)絡(luò)中的支持度,同時(shí)BN-EJTR提供了一種基于興趣度閾值和拓?fù)溆腥ば缘募糁λ惴?,?shí)驗(yàn)結(jié)果表明:與同類方法相比方法BN-EJTR具有良好的時(shí)間性能,而且剪枝效果明顯,分析發(fā)現(xiàn)經(jīng)過剪枝后的頻繁屬性集和頻繁項(xiàng)集相對于領(lǐng)域知識(shí)符合有

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論