動態(tài)貝葉斯網(wǎng)絡結(jié)構學習的研究.pdf

1、動態(tài)貝葉斯網(wǎng)(DBN)作為一種特殊的貝葉斯網(wǎng)絡(BN)，是貝葉斯網(wǎng)絡與時間信息相結(jié)合而形成的可處理時序數(shù)據(jù)的新的隨機模型。由于其在描述非線性、隨機演化的不確定關系時具有較強的優(yōu)勢，所以對動態(tài)貝葉斯網(wǎng)的研究及其應用成為人工智能領域中的一個研究熱點。為了進一步提高DBN結(jié)構學習算法的效率，本文在研究國內(nèi)外現(xiàn)有算法的基礎上，完成了如下幾方面的工作： 1)擴展了利用粒子群優(yōu)化學習貝葉斯網(wǎng)絡結(jié)構的BN-PSO算法，提出了基于粒子群優(yōu)化的D

2、BN結(jié)構學習算法I-BN-PSO。新算法首先利用條件獨立性測試(0階)確定網(wǎng)絡候選的連接圖，有效地限制了搜索空間，并利用已獲得的互信息作為啟發(fā)性知識來初始化粒子群；其次，設計了基于MDL評分增益的粒子位置減法算子，使粒子的“飛行”更有效；最后，引入了隨機擾動策略，避免了粒子群的“聚集”現(xiàn)象。在標準數(shù)據(jù)集上的實驗表明，新算法大大提高了學習的精度和速度。 2)針對基于蟻群優(yōu)化的貝葉斯網(wǎng)絡結(jié)構學習算法I-ACOB的不足，融合閾值自調(diào)整

3、的可變搜索空間和模擬退火的優(yōu)化策略，提出了VSMI-ACOB貝葉斯網(wǎng)絡結(jié)構學習算法。新算法將約束滿足的方法和MDL評分搜索的基本思想相融合，在學習過程中利用閾值自調(diào)整的0階條件獨立性測試來動態(tài)壓縮搜索空間，在保證求解質(zhì)量的同時，加速了搜索過程；然后通過引入基于模擬退火的優(yōu)化機制，改進了算法的求解質(zhì)量，提高了局部優(yōu)化的效率。實驗結(jié)果驗證了兩種策略的有效性，與最新的同類算法相比，新算法在保持較快收斂速度的前提下，具有更好的求解質(zhì)量。