【摘要】：在過去的數(shù)年間，，大量的研究集中在基于數(shù)據(jù)驅(qū)動的方式發(fā)現(xiàn)因果貝葉斯網(wǎng)絡。因果關系揭示了系統(tǒng)要素作用的本質(zhì)，因果結(jié)構(gòu)學習已成為貝葉斯網(wǎng)絡學習中一種重要的結(jié)構(gòu)學習方法。但是從數(shù)據(jù)中學習全局貝葉斯網(wǎng)絡是一個NP難題，并且人們通常僅關心其感興趣的變量的局部因果結(jié)構(gòu)。因此，學習貝葉斯網(wǎng)絡中關于目標變量的局部因果結(jié)構(gòu)成為該領域的一個重要研究內(nèi)容。局部因果結(jié)構(gòu)學習方法可以應用于發(fā)現(xiàn)經(jīng)濟領域的因果知識。發(fā)現(xiàn)目標變量的局部因果結(jié)構(gòu)是一個充滿挑戰(zhàn)性的問題，同時也具有重要的科學意義和較高的應用價值。 論文中，將針對目標變量局部因果結(jié)構(gòu)學習展開一系列的探討。局部因果結(jié)構(gòu)學習主要包括兩個方面：一是，從數(shù)據(jù)中獲取關于目標變量的局部模型；二是，發(fā)現(xiàn)局部模型中變量間的因果關系。針對這兩個方面的研究內(nèi)容，本文所開展的研究工作具體如下： 第一，為了能夠有效的學習網(wǎng)絡中目標變量的局部因果結(jié)構(gòu)，提出了基于擾動學習的局部因果結(jié)構(gòu)學習方法（I-LCSL方法）。首先，利用馬爾可夫毯的結(jié)構(gòu)劃分能力從觀測數(shù)據(jù)中獲取目標變量的局部模型。其次，利用擾動學習的因果發(fā)現(xiàn)能力，從局部模型中隨機選擇一個擾動變量進行擾動，進而獲取一組擾動數(shù)據(jù)。最后，聯(lián)合觀測數(shù)據(jù)和擾動數(shù)據(jù)，利用動態(tài)規(guī)劃算法學習關于變量的局部因果結(jié)構(gòu)。利用邊的錯誤率對I-LCSL方法學習到的局部因果結(jié)構(gòu)進行評估。 第二，針對現(xiàn)有方法都難以確定擾動節(jié)點的缺點，提出一種基于因果強度的局部因果結(jié)構(gòu)主動學習方法（CSI-LCSL方法）。首先，尋找目標節(jié)點的馬爾可夫毯生成關于目標節(jié)點的局部模型；其次，利用不對稱信息熵對局部模型中的每一節(jié)點進行因果強度分析，選取因果強度值較大的節(jié)點進行擾動，生成擾動數(shù)據(jù)；再次，聯(lián)合擾動數(shù)據(jù)和觀測數(shù)據(jù)學習邊的后驗概率，從而獲得一個關于目標節(jié)點的局部因果網(wǎng)絡。最后，利用結(jié)構(gòu)信息熵對CSI-LCSL方法的學習結(jié)果進行評估。 通過現(xiàn)實生活中的數(shù)據(jù)，對本文所提出的方法進行了綜合評估。實驗表明，本文提出的方法能夠有效發(fā)現(xiàn)目標變量的局部因果結(jié)構(gòu)，且學習結(jié)果優(yōu)于當前的其它算法。 最后，我們使用本文提出的局部因果結(jié)構(gòu)學習方法在金融行業(yè)板塊數(shù)據(jù)集上發(fā)現(xiàn)房地產(chǎn)行業(yè)和煤炭石油行業(yè)的局部因果結(jié)構(gòu)。
[Abstract]:In the past few years, a large number of studies have focused on the discovery of causal Bayesian networks in a data-driven way. Causality reveals the essence of the function of system elements. Causal structure learning has become an important structural learning method in Bayesian network learning. But learning global Bayesian networks from data is a NP problem, and people usually only care about the local causal structure of the variables of interest. Therefore, learning the local causal structure of target variables in Bayesian networks is an important research topic in this field. The local causality structure learning method can be applied to discover the causality knowledge in the economic field. Finding out the local causal structure of the target variable is a challenging problem and has important scientific significance and high application value. In this paper, a series of studies will be carried out on the local causal structure learning of target variables. The learning of local causality structure mainly includes two aspects: one is to obtain the local model about the target variable from the data, the other is to find the causality between the variables in the local model. For these two aspects of the research work, the research work carried out in this paper is as follows: first, in order to effectively learn the local causal structure of the target variables in the network, A local causal structure learning method based on disturbance learning (I-LCSL method) is proposed. Firstly, the local model of the target variables is obtained from the observed data by using the structural partition ability of Markov blanket. Secondly, using the causality discovery ability of disturbance learning, a disturbance variable is randomly selected from the local model for disturbance, and then a set of disturbance data is obtained. Finally, the dynamic programming algorithm is used to study the local causal structure of variables. The error rate of edges is used to evaluate the local causality structure learned by I-LCSL method. Secondly, an active learning method based on causality strength for local causal structure (CSI-LCSL method) is proposed to overcome the disadvantages of the existing methods which are difficult to determine the disturbance nodes. Firstly, the local model of the target node is generated by finding the Markov blanket of the target node. Secondly, the asymmetric information entropy is used to analyze the causality strength of each node in the local model. Thirdly, a local causal network for the target node is obtained by combining the posteriori probability of the learning edge between the perturbed data and the observed data. Finally, the structural information entropy is used to evaluate the learning results of CSI-LCSL method. Based on the real-life data, the method proposed in this paper is evaluated synthetically. Experimental results show that the proposed method can effectively find the local causal structure of the target variables and the learning results are better than those of other current algorithms. Finally, we use the local causal structure learning method proposed in this paper to find the local causal structure of real estate industry and coal oil industry on the financial sector plate data set.
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TP181

【相似文獻】

相關期刊論文 前10條

1 閆志勇,李明,倪勁峰,周學海;貝葉斯網(wǎng)絡在自適應教育超媒體中的應用[J];計算機工程與應用;2002年08期

2 程岳,王寶樹,李偉生;貝葉斯網(wǎng)絡在態(tài)勢估計中的應用[J];計算機工程與應用;2002年23期

3 田鳳占,張宏偉,陸玉昌,石純一;多模塊貝葉斯網(wǎng)絡中推理的簡化[J];計算機研究與發(fā)展;2003年08期

4 李儉川,胡蔦慶,秦國軍,溫熙森;基于故障樹的貝葉斯網(wǎng)絡建造方法與故障診斷應用[J];計算機工程與應用;2003年24期

5 賀煒,潘泉,張洪才;基于互信息的直接因果搜索算法[J];計算機工程與應用;2003年31期

6 李偉生,王寶樹;基于貝葉斯網(wǎng)絡的態(tài)勢評估[J];系統(tǒng)工程與電子技術(shù);2003年04期

7 劉軍;基于貝葉斯網(wǎng)絡的Web訪問模式挖掘模型系統(tǒng)[J];成都信息工程學院學報;2004年01期

8 王秀坤,張少中,楊南海;改進的EM算法及其在防洪決策中應用[J];大連理工大學學報;2004年03期

9 孔德華,王鎖柱;貝葉斯網(wǎng)絡在適應性E-Learning系統(tǒng)中的應用[J];山西師范大學學報(自然科學版);2005年02期

10 羅海蛟;一種貝葉斯網(wǎng)絡結(jié)構(gòu)學習的優(yōu)化策略[J];自動化技術(shù)與應用;2005年05期

相關會議論文 前10條

1 黃桂松;;一種基于貝葉斯網(wǎng)絡的業(yè)務驅(qū)動認知網(wǎng)絡實現(xiàn)方法[A];江蘇省電子學會2010年學術(shù)年會論文集[C];2010年

2 宮義山;錢娜;;貝葉斯網(wǎng)絡結(jié)構(gòu)在線學習算法及應用[A];科學發(fā)展與社會責任（A卷）——第五屆沈陽科學學術(shù)年會文集[C];2008年

3 董杰;劉春紅;李峰;李素芳;王傳躍;;基于貝葉斯網(wǎng)絡在雙相抑郁的靜息態(tài)網(wǎng)絡間關系研究[A];中華醫(yī)學會精神病學分會第九次全國學術(shù)會議論文集[C];2011年

4 楊卓鵬;鄭恒;薛峰;任立明;;基于蒙特卡洛--貝葉斯網(wǎng)絡方法的衛(wèi)星地面站可用性分析[A];第二屆中國衛(wèi)星導航學術(shù)年會電子文集[C];2011年

5 朱宏博;張芊;趙海;宋純賀;;基于貝葉斯網(wǎng)絡英文電影對白的潛在語義分析[A];第八屆沈陽科學學術(shù)年會論文集[C];2011年

6 馬海軍;黃德鏞;唐立建;;采空區(qū)頂板事故動態(tài)貝葉斯模型研究[A];2010'中國礦業(yè)科技大會論文集[C];2010年

7 李立志;;基于貝葉斯網(wǎng)絡的冠心病血瘀證辨證分析[A];2010中國醫(yī)師協(xié)會中西醫(yī)結(jié)合醫(yī)師大會摘要集[C];2010年

8 王鵬;劉震;潘瑾;程尊平;汪衛(wèi);施伯樂;;OSBNC:一種快速貝葉斯網(wǎng)絡分類算法[A];第二十屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2003年

9 沈海峰;梁曼君;;基于貝葉斯網(wǎng)絡的數(shù)據(jù)挖掘技術(shù)[A];全國第十四屆計算機科學及其在儀器儀表中的應用學術(shù)交流會論文集[C];2001年

10 戴芹;馬建文;歐陽峗;;遙感數(shù)據(jù)處理中引入貝葉斯網(wǎng)絡的基本問題研究[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

相關重要報紙文章 前10條

1 谷國慶;信念愛情 織成浩歌[N];人民日報;2011年

2 梁福濤;“逃亡”儲蓄資金成貨幣政策調(diào)控目標？[N];上海證券報;2007年

3 天津 吳子東;二級C語言試題講解指針（1）[N];電腦報;2005年

4 劉慶;Excel決策樹之初體驗[N];網(wǎng)絡世界;2006年

5 廣發(fā)期貨研究總監(jiān) 鄒功達　博士;宏觀政策的微觀傳導時滯[N];期貨日報;2009年

6 中國社會科學院金融研究所 曹紅輝 董忠云;建立國際金融政策協(xié)調(diào)機制[N];中國證券報;2005年

7 多目標復合抽樣設計課題組;多目標復合抽樣方法在農(nóng)村統(tǒng)計中的應用[N];中國信息報;2002年

8 申銀萬國證券研究所 梁福濤;18%或成準備金率最高點[N];證券時報;2007年

9 國家信息中心 陳強;從生產(chǎn)資料價格上漲看宏觀經(jīng)濟形勢[N];中國工業(yè)報;2003年

10 記者 陳艷紅;氏家純一：吸取日本房地產(chǎn)泡沫教訓[N];中國經(jīng)濟時報;2010年

相關博士學位論文 前10條

1 張少中;基于貝葉斯網(wǎng)絡的知識發(fā)現(xiàn)與決策應用研究[D];大連理工大學;2003年

2 李儉川;貝葉斯網(wǎng)絡故障診斷與維修決策方法及應用研究[D];中國人民解放軍國防科學技術(shù)大學;2002年

3 劉思遠;信息融合和貝葉斯網(wǎng)絡集成的故障診斷理論方法及實驗研究[D];燕山大學;2010年

4 華斌;貝葉斯網(wǎng)絡在水電機組狀態(tài)檢修中的應用研究[D];華中科技大學;2004年

5 胡文斌;基于多Agent的分布式智能群決策支持系統(tǒng)關鍵技術(shù)研究[D];武漢理工大學;2004年

6 洪凈;中醫(yī)辯證量化方法學研究[D];湖南中醫(yī)學院;2002年

7 李啟青;遙感數(shù)據(jù)處理的遺傳優(yōu)化及其組合算法研究[D];中國科學院研究生院（遙感應用研究所）;2004年

8 霍利民;基于貝葉斯網(wǎng)絡的電力系統(tǒng)可靠性評估[D];華北電力大學（河北）;2005年

9 劉輝;基因調(diào)控網(wǎng)絡的建模與學習研究[D];復旦大學;2009年

10 蔣國萍;軟件項目風險管理的貝葉斯網(wǎng)絡模型研究[D];國防科學技術(shù)大學;2005年

相關碩士學位論文 前10條

1 周冬梅;貝葉斯網(wǎng)絡局部因果結(jié)構(gòu)學習方法研究及其應用[D];合肥工業(yè)大學;2013年

2 應鳳剛;無人作戰(zhàn)飛機對地攻擊態(tài)勢威脅評估方法和算法研究[D];西北工業(yè)大學;2005年

3 楊曉東;基于貝葉斯網(wǎng)絡的配電網(wǎng)可靠性評估[D];華北電力大學（河北）;2004年

4 費致根;Bayes網(wǎng)絡在故障診斷中的應用[D];鄭州大學;2004年

5 肖文輝;基于本體的智能故障診斷的不確定性推理研究[D];湖南科技大學;2010年

6 陳新億;基于KL距離的貝葉斯網(wǎng)絡結(jié)構(gòu)學習算法研究[D];云南大學;2010年

7 錢隆;貝葉斯網(wǎng)絡在基于幾何模型的建筑物檢測中的應用研究[D];合肥工業(yè)大學;2003年

8 朱傳霞;MMOG中玩家聯(lián)盟策略的研究[D];沈陽航空工業(yè)學院;2010年

9 張熒驛;基于T-S重要度和貝葉斯網(wǎng)絡的多態(tài)液壓系統(tǒng)可靠性分析[D];燕山大學;2011年

10 姚宏亮;貝葉斯網(wǎng)絡結(jié)構(gòu)學習及其多Agent系統(tǒng)模型研究[D];合肥工業(yè)大學;2003年

本文編號：2399662