基于启发式搜索的贝叶斯网络结构学习研究

发布时间：2017-11-03 08:40

  本文关键词：基于启发式搜索的贝叶斯网络结构学习研究

  更多相关文章： 贝叶斯网络 结构学习 MMPC算法 粒子群算法 K2算法 广度优先搜索

【摘要】：贝叶斯网络是一种基于概率论和图论理论的图形模型,在处理不确定性方面具有非常巨大的优势,已被广泛应用于人工智能、金融、医学、军事等各类领域。而仅仅依靠专家先验知识来构建贝叶斯网络的传统方法是不可靠的,无法满足我们的需要,所以,如何从数据中进行贝叶斯网络的构建引起了众多学者的关注,成为了该领域的研究热点。本文对贝叶斯网络的基本理论知识和现有贝叶斯网络结构学习方法进行了深入研究,针对现有算法的不足之处,我们结合其他领域知识,给出了新的贝叶斯网络结构学习方法,本文的研究工作如下：首先,详细介绍了贝叶斯网络的相关概念：研究背景和意义、基本理论知识,并阐述了贝叶斯网络的研究现状及其常用的结构学习方法。其次,介绍了MMPC算法和粒子群算法,在此基础上,提出了基于粒子群优化算法的贝叶斯网络结构学习方法。该算法了融合了这两种算法的思想,利用专家经验和互信息知识优化了初始种群的产生方式,并利用粒子群算法对初始种群的邻域空间进行搜索,搜索到最优的贝叶斯网络结构。实现结果表明：同其他算法相比,新算法具有更好的学习性能,收敛速度更快,求解质量更高。然后,介绍了K2算法,在此基础上,提出了基于节点预排序的贝叶斯网络结构学习方法。该算法在MMPC算法的基础上,利用广度优先搜索算法对初始网络结构进行搜索,得到优化了的节点顺序,并将其作为K2算法的初始节点顺序。通过实验显示：新算法具有明显的优势,体现了较好的学习性能。最后,总结本文的研究内容,展望了下一步的研究工作。
【关键词】：贝叶斯网络 结构学习 MMPC算法 粒子群算法 K2算法 广度优先搜索
【学位授予单位】：浙江师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O157.5;TP18
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 1 绪论8-13
• 1.1 研究背景和意义8-9
• 1.2 贝叶斯网络的研究现状9-10
• 1.3 本文主要研究内容与结构安排10-13
• 1.3.1 主要研究内容10-11
• 1.3.2 结构安排11-13
• 2 贝叶斯网络的基本理论13-22
• 2.1 贝叶斯网络基础知识13-16
• 2.1.1 概率知识13-14
• 2.1.2 图论知识14
• 2.1.3 图分割与条件独立14-15
• 2.1.4 信息论知识15-16
• 2.2 贝叶斯网络的知识表示16-17
• 2.3 贝叶斯网络结构学习17-21
• 2.3.1 基于条件独立性测试的方法18-19
• 2.3.2 基于评分搜索的方法19-21
• 2.3.3 混合贝叶斯网络结构学习方法21
• 2.4 本章小结21-22
• 3 基于粒子群优化算法的贝叶斯网络结构学习22-37
• 3.1 MMPC算法22-24
• 3.2 粒子群算法24-28
• 3.2.1 粒子群算法的基本思想25-27
• 3.2.2 标准的粒子群算法27-28
• 3.2.3 粒子群算法的特点28
• 3.3 基于粒子群优化算法的学习过程28-33
• 3.3.1 编码设计29
• 3.3.2 评分函数的选择29-30
• 3.3.3 初始种群的产生方式30-32
• 3.3.4 算法实现过程32-33
• 3.4 实验环境与结果分析33-36
• 3.4.1 实验环境与配置33
• 3.4.2 实验结果与分析33-36
• 3.5 本章小结36-37
• 4 基于节点预排序的贝叶斯网络结构学习37-45
• 4.1 K2算法37-39
• 4.2 基于节点预排序的优化算法39-41
• 4.2.1 优化算法的基本思想39-40
• 4.2.2 优化算法的主要步骤40
• 4.2.3 优化算法的实现步骤40-41
• 4.3 实验结果与分析41-44
• 4.4 本章小结44-45
• 5 总结与展望45-47
• 5.1 工作总结45
• 5.2 展望45-47
• 参考文献47-53
• 攻读学位期间取得的研究成果53-54
• 致谢54-56

【参考文献】

中国期刊全文数据库 前4条

1 马兆南;裴腾达;张浩;;一种改进的粒子滤波目标跟踪算法[J];辽宁工程技术大学学报(自然科学版);2016年09期

2 张国印;曲家兴;李晓光;;基于贝叶斯网络的Android恶意行为检测方法[J];计算机工程与应用;2016年17期

3 陈望宇;廖芹;;基于遗传算法的贝叶斯网络模型研究[J];计算机工程与设计;2009年11期

4 冀俊忠;张鸿勋;胡仁兵;刘椿年;;一种基于独立性测试和蚁群优化的贝叶斯网学习算法(英文)[J];自动化学报;2009年03期

，

本文编号：1135478