离散动态贝叶斯网络精确推理的研究与实现

发布时间：2017-10-23 19:34

  本文关键词：离散动态贝叶斯网络精确推理的研究与实现

  更多相关文章： 动态贝叶斯网络 精确推理 联合树算法 接口算法 libdbn

【摘要】：贝叶斯网络由于对不确定性问题的良好描述,简洁的表示以及可行的计算方法,在许多领域得到广泛的应用。动态贝叶斯网络是贝叶斯网络的拓展形式,主要应用于对时序和序列性数据的建模。动态贝叶斯网络的特例,HMM和KFM在语音识别,生物基因检测,以及动态系统跟踪等领域得到成熟应用,而针对更一般化的动态贝叶斯网络,由于其表示的多样性,推理和学习的复杂性,并没有在工业界得到大规模的应用。本文首先从贝叶斯网络理论出发,阐述贝叶斯网络对现实建模的理论基础。分别对动态贝叶斯网络的三个主要问题,模型的表示,推理和学习问题进行深入研究。列举出了隐马尔可夫模型,因子隐马尔可夫模型,耦合隐马尔可夫模型,层次隐马尔可夫模型以及抽象隐马尔可夫模型等五种离散动态贝叶斯网络模型的表示,并给出每个特定结构的具体应用领域。贝叶斯网络的推理是指观察到网络中的变量值,求取其他变量值概率的过程。本文以静态贝叶斯网络的推理为基础,深入分析了离散动态贝叶斯网络的推理算法,根据贝叶斯网络的变量消元法,联合树算法,以及HMM的前向后向算法的理论基础,剖析了适用于一般化动态贝叶斯网络的接口算法。之后简要分析了极大似然估计和EM算法在动态贝叶斯网络中参数学习的使用。最后,依据本文所涉及的理论基础,实现了一个用于贝叶斯网络的表示,推理和学习的计算库libdbn。libdbn的底层由C++,上层由Python实现,它完成了大部分本文中涉及的算法,可以完成适用于离散动态贝叶斯网络的建模和概率推理,也进一步地为相关研究人员的深入研究和改进提供了基础。
【关键词】：动态贝叶斯网络 精确推理 联合树算法 接口算法 libdbn
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 符号对照表11-12
• 缩略语对照表12-16
• 第一章 绪论16-32
• 1.1 贝叶斯网络的研究目的16-22
• 1.1.1 不确定性问题16-17
• 1.1.2 推理系统的概率解释17-19
• 1.1.3 概率图模型及其研究内容19-22
• 1.2 贝叶斯网络的理论基础22-28
• 1.2.1 贝叶斯网络模型概述22-23
• 1.2.2 D分隔和条件独立性23-25
• 1.2.3 无向分隔和团25-27
• 1.2.4 研究现状27-28
• 1.3 动态贝叶斯网络模型及研究内容28-31
• 1.4 本文内容31-32
• 第二章 动态贝叶斯网络的表示32-46
• 2.1 静态贝叶斯网络表示32-34
• 2.2 隐变量和动态贝叶斯网络表示34-36
• 2.3 HMM及离散动态贝叶斯网络的变体36-46
• 2.3.1 HMM36-38
• 2.3.2 Factorial HMM38-39
• 2.3.3 Coupled HMM39-41
• 2.3.4 Hierarchical HMM41-45
• 2.3.5 Abstract HMM45-46
• 第三章 动态贝叶斯网络的精确推理46-66
• 3.1 推理算法分类46
• 3.2 基本运算46-47
• 3.3 变量消元法47-50
• 3.4 联合树算法50-60
• 3.4.1 变量消元和联合树算法50
• 3.4.2 消元复杂度和三角化50-52
• 3.4.3 消去顺序52-53
• 3.4.4 联合树及构建联合树53-55
• 3.4.5 联合树推理算法和消息传播55-60
• 3.5 动态贝叶斯网络的推理60-66
• 3.5.1 前向后向算法60-61
• 3.5.2 接口算法61-66
• 第四章 贝叶斯网络的参数学习66-72
• 4.1 最大似然估计66-68
• 4.2 EM算法68-70
• 4.3 参数集和动态网络参数学习70-72
• 第五章 贝叶斯网络推理库实现72-86
• 5.1 libdbn简介72-73
• 5.2 实现环境73-74
• 5.3 核心组件74-78
• 5.4 高级组件78-79
• 5.5 中间接口79-81
• 5.6 高级接口示例81-82
• 5.7 核心组件测试82-86
• 第六章 结论86-88
• 参考文献88-91
• 致谢91-93
• 作者简介93-94

【相似文献】

中国期刊全文数据库 前10条

1 陈英武;高妍方;;贝叶斯网络扩展研究综述[J];控制与决策;2008年10期

2 徐立;;预案分析的贝叶斯网络方法[J];价值工程;2012年08期

3 胡春玲;;贝叶斯网络研究综述[J];合肥学院学报(自然科学版);2013年01期

4 楼宇希;;应用贝叶斯方法缩短可靠性试验时间[J];现代雷达;1986年01期

5 郑骏;随机方法与贝叶斯方法在高新技术中的应用[J];软科学;1995年01期

6 覃秋梅;张师超;;一类贝叶斯网络的线性推理[J];计算机科学;1999年10期

7 张琨,徐永红,王珩,刘凤玉;用于入侵检测的贝叶斯网络[J];小型微型计算机系统;2003年05期

8 陈晓怀,程真英,刘春山;动态测量误差的贝叶斯建模预报[J];仪器仪表学报;2004年S1期

9 李芸;;基于贝叶斯信念网络的数据分类挖掘算法[J];计算机科学;2006年09期

10 徐计;张桂芸;;基于贝叶斯网络的一种牛奶产量预测研究[J];计算机工程与科学;2008年10期

中国重要会议论文全文数据库 前10条

1 David Z.D'Argenio;;贝叶斯方法在实验室研究向临床的转化以及辨识隐含亚群体中的应用(英文)[A];中国药理学会临床药理学专业委员会会议暨第十次全国临床药理学学术会议论文集[C];2007年

2 姜峰;高文;姚鸿勋;;贝叶斯网络的推理和学习[A];全国网络与信息安全技术研讨会'2005论文集（下册）[C];2005年

3 丁东洋;刘希阳;;风险分析中的稳健贝叶斯方法[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

4 周桃庚;沙定国;;贝叶斯可靠性序贯验证试验方法[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年

5 陈晓怀;程真英;刘春山;;动态测量误差的贝叶斯建模预报[A];第二届全国信息获取与处理学术会议论文集[C];2004年

6 杜鹏英;罗小平;何志明;;贝叶斯网络的发展及理论应用[A];第三届全国虚拟仪器大会论文集[C];2008年

7 杨丽;武海滨;李康;;无金标准诊断试验评价的贝叶斯方法及应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

8 宁鹏达;;贝叶斯方法在风险投资项目决策中的应用[A];第四届中国科学学与科技政策研究会学术年会论文集（Ⅰ）[C];2008年

9 朱永生;;贝叶斯方法确定泊松变量的置信上限[A];中国物理学会高能物理分会第七届学术年会实验分会场论文集[C];2006年

10 王增忠;柳玉杰;施建刚;;建筑工程项目全寿命安全管理决策的贝叶斯方法[A];中国优选法统筹法与经济数学研究会第七届全国会员代表大会暨第七届中国管理科学学术年会论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阚英男;基于网格近似法的数控机床贝叶斯可靠性评估研究[D];吉林大学;2015年

2 翟胜;基于贝叶斯网络的复杂系统可靠分析方法研究与应用[D];天津工业大学;2016年

3 刘瑞;基于贝叶斯网络的洪水灾害风险评估与建模研究[D];华东师范大学;2016年

4 张润梅;基于贝叶斯网络的复杂系统因果关系研究[D];合肥工业大学;2015年

5 李艳颖;贝叶斯网络学习及数据分类研究[D];西安电子科技大学;2015年

6 贾海洋;贝叶斯网学习若干问题研究[D];吉林大学;2008年

7 黄友平;贝叶斯网络研究[D];中国科学院研究生院（计算技术研究所）;2005年

8 朱允刚;贝叶斯网学习中若干问题研究及其在信息融合中的应用[D];吉林大学;2012年

9 董立岩;贝叶斯网络应用基础研究[D];吉林大学;2007年

10 李小琳;面向智能数据处理的贝叶斯网络研究与应用[D];吉林大学;2005年

中国硕士学位论文全文数据库 前10条

1 张路路;贝叶斯网络系统可靠性分析及故障诊断方法研究[D];山东建筑大学;2015年

2 徐冰;基于贝叶斯网络的传染病时空预警模型研究[D];长安大学;2015年

3 李艳强;基于不确定理论的酸洗线和镀锌线的视情维修策略研究[D];河北工程大学;2015年

4 王芸;贝叶斯AGARCH模型在我国商业银行利率风险度量中的应用[D];南京财经大学;2015年

5 侯欢欢;基于贝叶斯网络城市埋地燃气管线风险评价研究[D];首都经济贸易大学;2015年

6 王宇;贝叶斯参数更新在可靠性分析中的应用[D];南京航空航天大学;2014年

7 李福伟;贝叶斯压缩感知理论与技术[D];电子科技大学;2015年

8 李景囡;基于依赖分析的贝叶斯网络结构学习算法研究[D];西安电子科技大学;2014年

9 杨祥睿;基于贝叶斯网络的船撞桥风险评估研究[D];重庆交通大学;2015年

10 汤玉利;贝叶斯反问题的MAP估计及其一致性[D];上海交通大学;2015年

，

本文编号：1085057