基于小樣本數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究.pdf

1、近三十年來(lái)，隨著人工智能的發(fā)展，用于解決不確定問(wèn)題的貝葉斯網(wǎng)絡(luò)逐漸引起人們的研究興趣.但在實(shí)際問(wèn)題中，由于受到許多客觀條件的限制，我們能夠獲得的數(shù)據(jù)集非常有限，因此，基于小樣本數(shù)據(jù)學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)具有重要的現(xiàn)實(shí)意義和研究?jī)r(jià)值.本文提出了兩種不同的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法，分別為基于小樣本數(shù)據(jù)學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和基于改進(jìn)的魚(yú)群算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).
　　論文提出了基于小樣本數(shù)據(jù)學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的一種新混合算法—MM&EOS算法，

2、該算法通過(guò)三個(gè)階段完成學(xué)習(xí)任務(wù).第一階段，利用MMCMI(最大最小條件互信息)算法獲得一個(gè)無(wú)向圖，同時(shí)，引入松弛因子，有效地減少了條件集的個(gè)數(shù)；第二階段，通過(guò) EOS(有效定向搜索)算法對(duì)第一階段獲得的無(wú)向圖定向，并在 BIC評(píng)分函數(shù)中加入節(jié)點(diǎn)之間的相互依賴信息，更新后的評(píng)分函數(shù)有利于充分利用小樣本中的信息；第三階段，利用定向規(guī)則最大程度地對(duì)所得PDAG定向.在仿真實(shí)驗(yàn)中，主要將MM&EOS算法與PC算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，MM&E

3、OS算法的學(xué)習(xí)精度優(yōu)于 PC算法.另外，第一階段獲得無(wú)向圖的精確程度會(huì)對(duì)定向過(guò)程產(chǎn)生影響，因此，本文將MMCMI算法與MMPC、MI算法進(jìn)行比較.
　　IAF(改進(jìn)的人工魚(yú)群)算法將評(píng)分函數(shù)的性質(zhì)和魚(yú)群算法相結(jié)合學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).該算法利用評(píng)分函數(shù)及其性質(zhì)獲得評(píng)分最高的網(wǎng)絡(luò)結(jié)構(gòu)G，找出G中所有的有向圈，利用魚(yú)群算法破圈，搜索最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，保證每次迭代都在DAG上進(jìn)行.由于魚(yú)群算法具有全局優(yōu)化搜索能力，在Alarm網(wǎng)絡(luò)上的