贝叶斯网络的团树推理研究

发布时间：2021-10-15 13:54

　　近年来概率图模型在医疗、基因与染色体数据分析、通信与编码等许多领域有着广泛的应用。在概率图模型中,团树结构是一个活跃的研究领域。我们对团树的推理进行了研究。在团树的基础上,对团树推理算法进行了深入的探讨。在高维数据集中,通常没有足够的数据来表示概率,可用的数据点在可能的属性组合空间上分布的太稀疏了。然而,团树结构能表示高维属性空间中的依赖关系而且可以用来做数据的概率推论。为了构造团树,我们需要找到网络中的极大团,我们利用一个极大团搜索算法寻找一个网络中所有的极大团,然后通过寻找到的极大团构造出一个团树结构,通过使用团树结构来表示网络中的联合概率分布,将高维空间的联合概率分布表示成低维空间概率的乘积。在低维空间,数据更加集中并且概率分布能被成功导出。 

【文章来源】：青岛大学山东省

【文章页数】：39 页

【学位级别】：硕士

【部分图文】：

有向无环图

（1）聚类算法如图1.2（a）所示，将图中的结点B和C 合并为一个结点，从而消除图中的无向环，得到图1.2（b），这种方法称为聚类。找到正确的聚类节点是该算法的关键步骤。因此，需要确定网络中的聚类节点的概率分布表，这样增加了算法的计算复杂性。图1.2（a）包含无向环的贝叶斯网 图1.2（b）经过聚类后的贝叶斯网（2）条件分割这种方法将原网络分割成n个简单的网络结构，n是节点取值范围，这里 n 4。用条件分割的算法将图1.2（a）网络划分为4个新的网络(如图1.3所示)。但经过修正的网络的大小会随着父节点所能取值的个数以指数递增。

10......图1.3 经过条件分割后的贝叶斯网(3) 随机模拟算法通过反复执行网络模拟来计算估计的近似值,是一种近似推理方法。1.5 小结贝叶斯网络最具特色的特征是它可以如实地表示因果关系,把自下而上和自上而下的推理结合起来,可以通过更新隶属于连接的概率尺度来适应条件变化的能力。近年来，贝叶斯网络以其独特的不确定性知识表达形式、丰富的概率表达能力、综合先验知识的增量学习特性，被广泛应用于辅助智能决策、模式识别、医疗诊断等领域。

【参考文献】：
期刊论文
[1]贝叶斯网络推理分析的团树传播算法——以停车行为分析为例[J]. 李志瑶,宗芳,张屹山.  长春大学学报. 2012(05)



本文编号：3438094