本文關鍵詞：貝葉斯網(wǎng)絡結(jié)構學習的混合優(yōu)化方法研究

  更多相關文章： 動態(tài)貝葉斯網(wǎng)絡 結(jié)構學習 互信息 最大信息系數(shù) 二進制粒子群算法

【摘要】：貝葉斯網(wǎng)絡是以概率論和圖論為基礎,用概率來表示所有形式的不確定性,現(xiàn)已成為進行不確定性推理和數(shù)據(jù)挖掘的有效工具。目前,貝葉斯網(wǎng)絡已廣泛應用于多個前沿研究領域,然而對于復雜的動態(tài)系統(tǒng),由專家根據(jù)領域知識直接構造貝葉斯網(wǎng)絡顯然不切實際。因此,如何從樣本數(shù)據(jù)集中學習得到動態(tài)貝葉斯網(wǎng)絡結(jié)構成為該領域的研究熱點和難點。在各種各樣的貝葉斯網(wǎng)絡結(jié)構學習方法中,混合優(yōu)化算法因策略選擇靈活、組成方法多樣、兼具基于約束和基于評分搜索兩大類結(jié)構學習算法的長處而引起研究者的重視。本文從目前結(jié)構學習中群智能學習算法所存在的不足入手,提出了一些混合優(yōu)化方法和改進措施,以提升結(jié)構學習算法的性能。主要工作包括以下方面:1.對貝葉斯網(wǎng)絡及其結(jié)構學習的基本知識和研究現(xiàn)狀進行了總結(jié)和梳理,并結(jié)合具體算法進行相對應結(jié)構學習方法的闡述分析,特別是動態(tài)貝葉斯網(wǎng)絡的定義表示以及當前的結(jié)構學習研究情況;2.提出了基于互信息和二進制粒子群優(yōu)化的MI-BPSO算法。該算法是針對當前群智能學習算法的初始搜索起點具有隨機性、離散情況下搜索效果差等缺點,分別從初步網(wǎng)絡結(jié)構的構造、初始粒子群的產(chǎn)生和二進制粒子群算法的改進策略三個方面對基本粒子群算法進行了改進。實驗表明三種改進策略的混合應用有效地提高了算法的學習效率和質(zhì)量,特別是互信息方法大大降低動態(tài)網(wǎng)絡中轉(zhuǎn)移網(wǎng)絡的結(jié)構學習計算量;3.在MI-BPSO算法的基礎上,提出了改進MIC-BPSO算法。該算法從初步網(wǎng)絡構建方法和粒子群算法中最優(yōu)值更新策略兩個方面對MI-BPSO算法進行改進優(yōu)化:采用最大信息系數(shù)替代互信息方法進行初始無向圖構建,提高初步網(wǎng)絡結(jié)構質(zhì)量;利用評分函數(shù)的分解性,將BPSO算法中個體最優(yōu)值和群體最優(yōu)值的更新粒度細化到父子節(jié)點集合層級,提高算法的學習質(zhì)量和學習效率。實驗表明新算法在靜態(tài)和動態(tài)網(wǎng)絡的結(jié)構學習中,學習質(zhì)量和時間效率均有較大提升。
【關鍵詞】：動態(tài)貝葉斯網(wǎng)絡 結(jié)構學習 互信息 最大信息系數(shù) 二進制粒子群算法
【學位授予單位】：西北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：O157.5;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-19
• 1.1 研究背景及意義9-15
• 1.1.1 貝葉斯網(wǎng)絡研究現(xiàn)狀9-10
• 1.1.2 貝葉斯網(wǎng)絡結(jié)構學習研究現(xiàn)狀10-15
• 1.2 本文的主要研究內(nèi)容15-16
• 1.3 本文組織結(jié)構16-19
• 2 貝葉斯網(wǎng)絡概述19-39
• 2.1 貝葉斯網(wǎng)絡定義19-21
• 2.2 貝葉斯網(wǎng)絡基本性質(zhì)21-24
• 2.2.1 d-分隔21-22
• 2.2.2 馬爾科夫等價類22-24
• 2.3 貝葉斯網(wǎng)絡的結(jié)構學習24-32
• 2.3.1 結(jié)構學習的基本問題及假設24-25
• 2.3.2 基于約束的結(jié)構學習方法25-28
• 2.3.3 基于評分搜索的結(jié)構學習方法28-31
• 2.3.4 混合學習算法31-32
• 2.4 動態(tài)貝葉斯網(wǎng)絡32-38
• 2.4.1 動態(tài)貝葉斯網(wǎng)絡的定義及表示33-34
• 2.4.2 動態(tài)貝葉斯網(wǎng)絡的結(jié)構學習34-38
• 2.5 本章小結(jié)38-39
• 3 基于MI-BPSO算法的BN結(jié)構學習39-69
• 3.1 信息熵與互信息理論39-40
• 3.2 二進制粒子群算法40-43
• 3.3 基于互信息和二進制粒子群優(yōu)化的MI-BPSO算法43-55
• 3.3.1 基于互信息的初步網(wǎng)絡構造方法43-48
• 3.3.2 改進二進制粒子群優(yōu)化算法48-52
• 3.3.3 無效網(wǎng)絡結(jié)構的檢測與破除52-55
• 3.3.4 MI-BPSO算法55
• 3.4 實驗設計與結(jié)果分析55-66
• 3.4.1 K2算法和MWST-HC算法56-57
• 3.4.2 F-score準則57-58
• 3.4.3 靜態(tài)BN結(jié)構學習的實驗分析58-63
• 3.4.4 動態(tài)BN結(jié)構學習的實驗分析63-66
• 3.5 本章小結(jié)66-69
• 4 基于改進MIC-BPSO算法的BN結(jié)構學習69-83
• 4.1 最大信息系數(shù)69-70
• 4.2 改進MIC-BPSO算法70-77
• 4.2.1 基于最大信息系數(shù)的初步網(wǎng)絡構造方法70-72
• 4.2.2 基于評分函數(shù)分解性的改進BPSO算法72-76
• 4.2.3 改進MIC-BPSO算法流程76-77
• 4.3 實驗設計與結(jié)果分析77-82
• 4.3.1 靜態(tài)BN結(jié)構學習的實驗分析77-80
• 4.3.2 動態(tài)BN結(jié)構學習的實驗分析80-82
• 4.4 本章小結(jié)82-83
• 5 總結(jié)與展望83-85
• 5.1 論文工作總結(jié)83-84
• 5.2 未來工作展望84-85
• 參考文獻85-89
• 發(fā)表論文和參加科研情況說明89-91
• 致謝91-93

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉寶寧;章衛(wèi)國;李廣文;劉小雄;;一種改進遺傳算法的貝葉斯網(wǎng)絡結(jié)構學習[J];西北工業(yè)大學學報;2013年05期

2 汪春峰;張永紅;;基于無約束優(yōu)化和遺傳算法的貝葉斯網(wǎng)絡結(jié)構學習方法[J];控制與決策;2013年04期

3 ;Bayesian network learning algorithm based on unconstrained optimization and ant colony optimization[J];Journal of Systems Engineering and Electronics;2012年05期

4 邸若海;高曉光;;基于限制型粒子群優(yōu)化的貝葉斯網(wǎng)絡結(jié)構學習[J];系統(tǒng)工程與電子技術;2011年11期

5 陳海洋;高曉光;樊昊;;變結(jié)構DDBNs的推理算法與多目標識別[J];航空學報;2010年11期

6 孟光磊;龔光紅;;基于混合貝葉斯網(wǎng)的空域目標威脅評估方法[J];系統(tǒng)工程與電子技術;2010年11期

7 高曉光;趙歡歡;任佳;;基于蟻群優(yōu)化的貝葉斯網(wǎng)絡學習[J];系統(tǒng)工程與電子技術;2010年07期

8 賈海洋;陳娟;朱允剛;劉大有;;基于混合方式的貝葉斯網(wǎng)弧定向算法[J];電子學報;2009年08期

9 肖秦琨;高曉光;高嵩;王海蕓;;DBN結(jié)構學習度量分解性能分析[J];系統(tǒng)工程與電子技術;2009年04期

10 冀俊忠;張鴻勛;胡仁兵;劉椿年;;一種基于獨立性測試和蟻群優(yōu)化的貝葉斯網(wǎng)學習算法(英文)[J];自動化學報;2009年03期

，

本文編號：871204