基于杂交水稻算法的贝叶斯网络结构学习研究

发布时间：2021-07-22 20:29

　　对贝叶斯网络进行学习是一个NP难问题。当数据集比较大时,贝叶斯网络的节点数和边数会变得错种复杂,紧紧依靠专家去构建贝叶斯网络将十分消耗人力,并且会遗漏一些关键的关系。因此,通过使用有效的算法在数据集上进行结构学习是当前研究的主要方向。贝叶斯网络学习主要分为结构学习和参数学习两部分,而参数学习往往要求网络的结构事先确定,因此结构学习是贝叶斯网络研究的核心。在贝叶斯网络结构学习中经典的算法有K2算法,爬山算法,粒子群算法,MWST算法,但这些算法在某些应用方面有着明显的不足。杂交水稻算法是近年来新提出的一种仿生优化算法,杂交水稻算法拥有良好的收敛性,鲁棒性,且不易陷入局部最优解。因此本文将杂交水稻算法用于贝叶斯网络结构学习。（1）介绍了贝叶斯网络的起源与发展,研究现状,及贝叶斯网络目前的应用。并详细介绍了贝叶斯网络的基本理论知识,在此基础上重点介绍了几种用于贝叶斯网络结构学习的评分方法和搜索算法。（2）介绍了杂交水稻算法的基本原理,并在此基础上根据贝叶斯网络的存储方式提出了一种基于离散二进制的杂交水稻算法。改进算法首先更具遗传算法的多点交叉算子和连续数据集上杂交水稻算法的杂交算子提出一种离... 

【文章来源】：湖北工业大学湖北省

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

心脏病和心口痛相关的贝叶斯网络

中就存在一

图 4.7Asia 标准结构标准 Asia 网络的 BIC 评分值如表 4.1 所示：数据集 大小 BIC 评分值ASIA-500 500 -1185.13ASIA-1000 1000 -2273.40ASIA-2000 2000 -4527.10ASIA-5000 5000 -11412.80Car 网络是另外一个经典的贝叶斯，car 网络共有 20 个变量和 22 条边，它通车上的各种状态来判断汽车的故障状态。图 4.2 是标准的 Car 网络。

【参考文献】：
期刊论文
[1]基于改进粒子群优化算法的贝叶斯网络结构学习[J]. 高晓光,邸若海,郭志高.  西北工业大学学报. 2014(05)
[2]基于人工蜂群算法的贝叶斯网络结构学习[J]. 张平,刘三阳,朱明敏.  智能系统学报. 2014(03)
[3]基于无约束优化和遗传算法的贝叶斯网络结构学习方法[J]. 汪春峰,张永红.  控制与决策. 2013(04)
[4]面向粒子群优化的贝叶斯网络结构学习算法[J]. 黄河笑,衡星辰,彭建涵.  计算机工程与应用. 2010(20)
[5]先验信息不确定条件下贝叶斯网结构学习方法[J]. 王磊,刘明辉,王维平.  计算机工程与应用. 2010(16)
[6]贝叶斯网学习中一种有效的爬山算法[J]. 单冬冬,吕强,李亚飞,王磊.  小型微型计算机系统. 2009(12)
[7]基于遗传算法的贝叶斯网络模型研究[J]. 陈望宇,廖芹.  计算机工程与设计. 2009(11)
[8]基于粒子群优化算法的Bayesian网络结构学习[J]. 刘欣,贾海洋,刘大有.  小型微型计算机系统. 2008(08)
[9]基于模拟退火遗传算法的贝叶斯分类[J]. 胡为成,程转流,王本年.  计算机工程. 2007(09)
[10]基于模拟退火遗传算法的关联规则挖掘[J]. 武兆慧,张桂娟,刘希玉.  计算机应用. 2005(05)

硕士论文
[1]基于改进鱼群蜂群算法的贝叶斯网络结构学习[D]. 郭童.浙江大学 2014
[2]基于改进云遗传算法的贝叶斯网络结构学习[D]. 秦松.浙江大学 2012
[3]贝叶斯网络中的因果推断[D]. 辛国福.西安电子科技大学 2011
[4]基于贪婪搜索的贝叶斯网络结构学习算法[D]. 高晓利.西安电子科技大学 2011



本文编号：3297841