發(fā)布時間：2017-11-03 08:40

  本文關鍵詞：基于啟發(fā)式搜索的貝葉斯網(wǎng)絡結(jié)構(gòu)學習研究

  更多相關文章： 貝葉斯網(wǎng)絡 結(jié)構(gòu)學習 MMPC算法 粒子群算法 K2算法 廣度優(yōu)先搜索

【摘要】：貝葉斯網(wǎng)絡是一種基于概率論和圖論理論的圖形模型,在處理不確定性方面具有非常巨大的優(yōu)勢,已被廣泛應用于人工智能、金融、醫(yī)學、軍事等各類領域。而僅僅依靠專家先驗知識來構(gòu)建貝葉斯網(wǎng)絡的傳統(tǒng)方法是不可靠的,無法滿足我們的需要,所以,如何從數(shù)據(jù)中進行貝葉斯網(wǎng)絡的構(gòu)建引起了眾多學者的關注,成為了該領域的研究熱點。本文對貝葉斯網(wǎng)絡的基本理論知識和現(xiàn)有貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法進行了深入研究,針對現(xiàn)有算法的不足之處,我們結(jié)合其他領域知識,給出了新的貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法,本文的研究工作如下：首先,詳細介紹了貝葉斯網(wǎng)絡的相關概念：研究背景和意義、基本理論知識,并闡述了貝葉斯網(wǎng)絡的研究現(xiàn)狀及其常用的結(jié)構(gòu)學習方法。其次,介紹了MMPC算法和粒子群算法,在此基礎上,提出了基于粒子群優(yōu)化算法的貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法。該算法了融合了這兩種算法的思想,利用專家經(jīng)驗和互信息知識優(yōu)化了初始種群的產(chǎn)生方式,并利用粒子群算法對初始種群的鄰域空間進行搜索,搜索到最優(yōu)的貝葉斯網(wǎng)絡結(jié)構(gòu)。實現(xiàn)結(jié)果表明：同其他算法相比,新算法具有更好的學習性能,收斂速度更快,求解質(zhì)量更高。然后,介紹了K2算法,在此基礎上,提出了基于節(jié)點預排序的貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法。該算法在MMPC算法的基礎上,利用廣度優(yōu)先搜索算法對初始網(wǎng)絡結(jié)構(gòu)進行搜索,得到優(yōu)化了的節(jié)點順序,并將其作為K2算法的初始節(jié)點順序。通過實驗顯示：新算法具有明顯的優(yōu)勢,體現(xiàn)了較好的學習性能。最后,總結(jié)本文的研究內(nèi)容,展望了下一步的研究工作。
【關鍵詞】：貝葉斯網(wǎng)絡 結(jié)構(gòu)學習 MMPC算法 粒子群算法 K2算法 廣度優(yōu)先搜索
【學位授予單位】：浙江師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：O157.5;TP18
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 1 緒論8-13
• 1.1 研究背景和意義8-9
• 1.2 貝葉斯網(wǎng)絡的研究現(xiàn)狀9-10
• 1.3 本文主要研究內(nèi)容與結(jié)構(gòu)安排10-13
• 1.3.1 主要研究內(nèi)容10-11
• 1.3.2 結(jié)構(gòu)安排11-13
• 2 貝葉斯網(wǎng)絡的基本理論13-22
• 2.1 貝葉斯網(wǎng)絡基礎知識13-16
• 2.1.1 概率知識13-14
• 2.1.2 圖論知識14
• 2.1.3 圖分割與條件獨立14-15
• 2.1.4 信息論知識15-16
• 2.2 貝葉斯網(wǎng)絡的知識表示16-17
• 2.3 貝葉斯網(wǎng)絡結(jié)構(gòu)學習17-21
• 2.3.1 基于條件獨立性測試的方法18-19
• 2.3.2 基于評分搜索的方法19-21
• 2.3.3 混合貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法21
• 2.4 本章小結(jié)21-22
• 3 基于粒子群優(yōu)化算法的貝葉斯網(wǎng)絡結(jié)構(gòu)學習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 標準的粒子群算法27-28
• 3.2.3 粒子群算法的特點28
• 3.3 基于粒子群優(yōu)化算法的學習過程28-33
• 3.3.1 編碼設計29
• 3.3.2 評分函數(shù)的選擇29-30
• 3.3.3 初始種群的產(chǎn)生方式30-32
• 3.3.4 算法實現(xiàn)過程32-33
• 3.4 實驗環(huán)境與結(jié)果分析33-36
• 3.4.1 實驗環(huán)境與配置33
• 3.4.2 實驗結(jié)果與分析33-36
• 3.5 本章小結(jié)36-37
• 4 基于節(jié)點預排序的貝葉斯網(wǎng)絡結(jié)構(gòu)學習37-45
• 4.1 K2算法37-39
• 4.2 基于節(jié)點預排序的優(yōu)化算法39-41
• 4.2.1 優(yōu)化算法的基本思想39-40
• 4.2.2 優(yōu)化算法的主要步驟40
• 4.2.3 優(yōu)化算法的實現(xiàn)步驟40-41
• 4.3 實驗結(jié)果與分析41-44
• 4.4 本章小結(jié)44-45
• 5 總結(jié)與展望45-47
• 5.1 工作總結(jié)45
• 5.2 展望45-47
• 參考文獻47-53
• 攻讀學位期間取得的研究成果53-54
• 致謝54-56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 馬兆南;裴騰達;張浩;;一種改進的粒子濾波目標跟蹤算法[J];遼寧工程技術(shù)大學學報(自然科學版);2016年09期

2 張國印;曲家興;李曉光;;基于貝葉斯網(wǎng)絡的Android惡意行為檢測方法[J];計算機工程與應用;2016年17期

3 陳望宇;廖芹;;基于遺傳算法的貝葉斯網(wǎng)絡模型研究[J];計算機工程與設計;2009年11期

4 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：1135478