基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究

发布时间：2020-04-11 23:00

【摘要】：贝叶斯网络是处理不确定性问题的有效方法之一,其具有内在严密的概率推理和直观的图形化表示等特点,被广泛应用于人工智能和机器学习等领域。在当今数据大爆炸时代,传统的依靠专家知识构建贝叶斯网络结构的方法已不能满足快速精准学习的需求。如何从数据中有效地学习贝叶斯网络结构引起众多专家学者的研究兴趣。使用爬山搜索策略的K2算法作为一种经典的贝叶斯网络结构学习算法,已经得到广泛的应用。但K2算法对变量序列和最大父节点数具有强烈的依赖性,不同的最大父节点数对贝叶斯网络的学习效果差别不显著,而不同的变量序列会极大地影响贝叶斯网络的学习效率,因此如何寻找较优的变量序列有着重要的研究价值。本文以构建K2算法中变量序列的评价函数为研究目标,首先基于广度优先搜索的Kahn算法和深度优先搜索的Tarjan算法,对标准网络结构进行图的遍历以得到较优的变量序列,分析各序列的K2-CH评分和互信息评分的属性,寻找较优序列的共性,在此基础上提出新的变量序列的评价函数,然后以此评分函数作为新的适应度函数,在变量构成的空间内,以遗传搜索来寻找较优的变量序列,我们称此算法为Chain-KMGA算法。实验结果表明,通过Chain-KMGA算法学习到的贝叶斯网络的结构较优,具体表现在网络的评分值较高,且可以学习到更多的正确边和较少的错误边,同时ChainKMGA算法的运行时间较少,该算法具有较高的学习效率,其所学习到的贝叶斯网络评分值与变量序列评分值具有较强的正相关性,即随着变量序列评分值的增加,贝叶斯网络的评分值也在对应的增加,因此Chain-KMGA算法能够搜索到较优变量序列,Chain-KMGA算法构建的贝叶斯网络具有较高的学习效率。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18

【相似文献】

相关期刊论文 前10条

1 郭艳;朱建青;袁野;;不确定变量序列依测度收敛研究[J];郑州大学学报(理学版);2014年03期

2 袁野;朱建青;郭艳;;不确定变量序列依r阶收敛的若干性质[J];苏州科技学院学报(自然科学版);2014年04期

3 闫广州;张丽娜;;独立粗糙变量序列的一类强极限定理[J];模糊系统与数学;2009年06期

4 郭海英;王小胜;陈丹;;不确定变量序列均方收敛的充分必要条件[J];模糊系统与数学;2016年01期

5 王小胜;郭海英;;独立粗糙变量序列的强收敛性[J];模糊系统与数学;2007年05期

6 雷平;;基于多变量序列分量方差分析模型的国内旅游需求影响因素研究[J];软科学;2008年08期

7 王小胜;郭海英;;独立模糊变量序列的几个极限定理[J];模糊系统与数学;2008年05期

8 牛瑾琦;曹鸿兴;蔡秀华;;列序分析及其对空气污染的应用[J];数学的实践与认识;2016年17期

9 蔡秀华;曹鸿兴;吕行;;列序分析在大气环境污染分析中的应用[J];气象科技;2013年03期

10 王浩华;王志刚;;不确定变量序列的双重极限性[J];模糊系统与数学;2013年01期

相关博士学位论文 前1条

1 王小胜;不确定统计的若干问题及应用研究[D];江苏大学;2010年

相关硕士学位论文 前10条

1 张瑞丽;模糊变量序列的收敛性[D];河北大学;2019年

2 张凯茜;基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究[D];西北农林科技大学;2019年

3 李国洋;基于互信息的变量序列模型在贝叶斯网络学习中的理论研究[D];西北农林科技大学;2018年

4 闫丽娟;不确定序列的依p-阶距离收敛性[D];河北大学;2017年

5 袁野;不确定变量序列r阶收敛与二重收敛[D];苏州科技学院;2014年

6 夏阳;不确定变量序列的收敛性[D];苏州科技学院;2011年

7 郁明星;随机模糊变量序列的收敛性[D];南京理工大学;2007年

8 王亚楠;基于储备池方法的多变量序列预测建模研究[D];大连理工大学;2009年

9 谢双乐;海铁联运对港口腹地的影响研究[D];西南交通大学;2013年

10 赵忠校;基于时间序列的重庆市PM2.5演变规律分析[D];重庆理工大学;2015年

，

本文编号：2623948