發(fā)布時間：2020-11-01 06:19

　　 目的:研究基于偏相關(guān)的連續(xù)貝葉斯網(wǎng)絡結(jié)構(gòu)學習算法,并與離散結(jié)構(gòu)學習算法MMHC進行比較。針對連續(xù)變量的離散化可能導致信息丟失的問題,采用仿真數(shù)據(jù)來檢驗IPCB連續(xù)結(jié)構(gòu)學習算法充分利用數(shù)據(jù)信息準確構(gòu)建網(wǎng)絡框架的能力;利用山西省2015年慢病調(diào)查數(shù)據(jù),分別采用MMHC算法和IPCB算法建立尿酸及其相關(guān)因素的貝葉斯網(wǎng)絡結(jié)構(gòu),從實例上再次驗證IPCB算法可以充分利用連續(xù)變量數(shù)據(jù)提供的信息建立更完整的疾病相關(guān)因素的網(wǎng)絡關(guān)系,可為慢性病影響因素網(wǎng)絡分析提供新的思路。方法:在GeNIe2.4中選取測試網(wǎng)絡,生成不同樣本量的連續(xù)數(shù)據(jù)集和離散數(shù)據(jù)集,分別利用IPCB算法和MMHC算法進行貝葉斯網(wǎng)絡結(jié)構(gòu)學習,與原始網(wǎng)絡結(jié)構(gòu)比較,以錯誤邊數(shù)作為比較算法性能的指標。利用山西省2015年慢性病與營養(yǎng)監(jiān)測數(shù)據(jù),選取可能與尿酸相關(guān)的連續(xù)變量構(gòu)成的數(shù)據(jù)集進行分析,根據(jù)研究內(nèi)容分為代謝指標數(shù)據(jù)集和膳調(diào)戶指標數(shù)據(jù)集。首先對兩個數(shù)據(jù)集進行簡單的統(tǒng)計描述,然后在兩個數(shù)據(jù)集中采用IPCB算法建立尿酸相關(guān)因素的連續(xù)變量貝葉斯網(wǎng)絡,同時將變量離散化后采用MMHC算法建立相應的離散貝葉斯網(wǎng)絡,并與連續(xù)貝葉斯網(wǎng)絡做比較,比較兩種算法建立的尿酸相關(guān)因素貝葉斯網(wǎng)絡的合理性。結(jié)果:(1)通過ASIA和TANK兩個仿真網(wǎng)絡測試研究發(fā)現(xiàn),基于變量離散化的MMHC算法學習貝葉斯網(wǎng)絡可以獲得一部分正確的邊,但不論樣本量大小,丟失邊的情況都比較突出。而IPCB連續(xù)結(jié)構(gòu)學習算法在測試中發(fā)現(xiàn),不論樣本量大小,IPCB算法均能獲得正確完整的網(wǎng)絡結(jié)構(gòu)。(2)從2015年山西省慢性病與營養(yǎng)監(jiān)測數(shù)據(jù)庫中提取與尿酸相關(guān)的連續(xù)變量指標,根據(jù)研究內(nèi)容將數(shù)據(jù)庫分為代謝指標數(shù)據(jù)集和膳調(diào)戶數(shù)據(jù)集兩個數(shù)據(jù)集分析。代謝指標數(shù)據(jù)集選取尿酸、甘油三酯、總膽固醇、低密度脂蛋白膽固醇、高密度脂蛋白膽固醇、空腹血糖、糖化血紅蛋白和年齡共8個連續(xù)變量指標;膳調(diào)戶數(shù)據(jù)集選取與尿酸相關(guān)的身體測量和飲食指標:舒張壓、收縮壓、BMI、腰圍、肉類攝入量、水產(chǎn)品攝入量、食鹽攝入量、食用油攝入量、酒精攝入量、蔬果攝入量,共11個連續(xù)變量指標。兩個數(shù)據(jù)集所選取的指標均不服從正態(tài)分布。(3)IPCB算法在兩個數(shù)據(jù)集上建立的連續(xù)貝葉斯網(wǎng)絡均較MMHC算法所建立的離散貝葉斯網(wǎng)絡完整,能發(fā)現(xiàn)更多與尿酸相關(guān)的指標。代謝指標數(shù)據(jù)集中,MMHC算法建立的離散貝葉斯網(wǎng)絡發(fā)現(xiàn)9條邊,其中僅發(fā)現(xiàn)甘油三酯與尿酸的直接關(guān)系;IPCB算法建立的連續(xù)貝葉斯網(wǎng)絡發(fā)現(xiàn)13條邊,其中發(fā)現(xiàn)年齡、甘油三酯、高密度脂蛋白、低密度脂蛋白4個指標與尿酸的關(guān)系。膳調(diào)戶數(shù)據(jù)集中,離散貝葉斯網(wǎng)絡共學習到9條邊,其中僅發(fā)現(xiàn)BMI一個指標與尿酸直接相關(guān),未發(fā)現(xiàn)飲食習慣指標與尿酸的關(guān)系;連續(xù)貝葉斯網(wǎng)絡學習到14條邊,發(fā)現(xiàn)了尿酸與BMI及肉類、食用油、食用鹽和蔬果攝入量的直接關(guān)聯(lián)。結(jié)論(1)模擬試驗表明,IPCB算法能充分用數(shù)據(jù)提供的信息,構(gòu)建連續(xù)貝葉斯網(wǎng)絡框架的性能優(yōu)于MMHC算法。(2)IPCB算法建立的尿酸相關(guān)因素貝葉斯網(wǎng)絡發(fā)現(xiàn),與尿酸直接相關(guān)的指標為年齡、甘油三酯、低密度脂蛋白膽固醇、高密度脂蛋白膽固醇、BMI、肉類食用量、蔬果攝入量、食用鹽和食用油的攝入。相比于MMHC離散貝葉斯網(wǎng)絡結(jié)構(gòu)學習算法,IPCB算法學習到的網(wǎng)絡關(guān)系更完整。(3)IPCB算法能有效地處理連續(xù)變量,在尿酸相關(guān)因素的研究中獲得較滿意的結(jié)果,可為慢性病相關(guān)因素的研究提供新的思路。
【學位單位】：山西醫(yī)科大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：R195;TP311.13
【部分圖文】：

山西醫(yī)科大學碩士學位論文71.1.4條件獨立設隨機變量X，Y和Z，x，y和z分別是三個隨機變量的任意取值，如果滿足下列條件：(|=,=)=(|=)且(=,=)>0（1-3）則在給定Z時，稱X和Y相互條件獨立，用(,|)表示。即在已知Z的條件下，Y的取值不會影響X的概率分布。1.1.5d-分隔在貝葉斯網(wǎng)絡中，d-分隔也叫有向分隔，對應于概率的條件獨立。貝葉斯網(wǎng)絡存在三種特殊的節(jié)點連接：順連（頭對尾）、分連（尾對尾）和匯連（頭對頭、碰撞V結(jié)構(gòu)）。圖1-1。圖1-1變量X和Y通過Z間接相連的情況設Z為某節(jié)點集合，X和Y是不在Z中的兩個節(jié)點，考慮X和Y之間的一條通路a，如果滿足下面條件之一，則稱a被Z所阻塞:(1)通路a上有一個順連節(jié)點在Z中;(2)通路a上有一個分連節(jié)點在Z中;(3)通路a上有一個匯連節(jié)點W，它和它的后代節(jié)點均不在Z中.上述3種情況如圖1-2所示.

山西醫(yī)科大學碩士學位論文162.2測試結(jié)果與分析（1）ASIA網(wǎng)絡測試：ASIA原始網(wǎng)絡結(jié)構(gòu)如圖2-1。圖2-1Asia原始網(wǎng)絡執(zhí)行算法后發(fā)現(xiàn)，IPCB算法在Asia網(wǎng)絡的不同樣本數(shù)據(jù)集中均能獲取與原網(wǎng)絡一致的網(wǎng)絡。而MMHC算法獲取的網(wǎng)絡存在不同程度的錯誤數(shù)，不能獲得與原網(wǎng)絡一致的網(wǎng)絡；圖2為樣本量為500時MMHC算法得到的網(wǎng)絡，獲得的4條邊均正確，但缺失了4條邊，結(jié)構(gòu)錯誤數(shù)為4；圖3，樣本量為1000/2000/10000時得到的網(wǎng)絡結(jié)構(gòu)一致，得到的5條邊均正確，缺失3條邊，結(jié)構(gòu)錯誤數(shù)為3；樣本量為5000時，獲得的6條邊均正確，缺失2條邊，結(jié)構(gòu)錯誤數(shù)為2。結(jié)果見表1，可見在節(jié)點數(shù)較少，網(wǎng)絡較為稀疏時，MMHC可以學習到正確的邊，無錯誤定向的邊，但缺失邊情況比較明顯。見圖2-2、2-3、2-4和表2-1。圖2-2Asia-500-MMHC

Asia-5000-MMHC表2.1Asia網(wǎng)絡不同樣本量IPCB與MMHC算法的結(jié)構(gòu)錯誤
【相似文獻】

相關(guān)期刊論文 前10條

1 賀繼東;;基于貝葉斯網(wǎng)絡的大學生就業(yè)協(xié)助系統(tǒng)[J];寧夏師范學院學報;2019年01期

2 張月;黃鋼;章小雷;田理政;曾詞正;;貝葉斯網(wǎng)絡在醫(yī)學領(lǐng)域中的應用研究[J];中國醫(yī)學創(chuàng)新;2013年04期

3 趙越;茹婷婷;;貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法新探[J];長春大學學報;2011年06期

4 李甦;陳新億;李娟;李斯娜;;貝葉斯網(wǎng)的學習與應用研究綜述[J];云南大學學報(自然科學版);2009年S1期

5 王雙成;冷翠平;杜瑞杰;;一種新的貝葉斯網(wǎng)絡增量學習方法[J];系統(tǒng)仿真學報;2009年17期

6 馬壯,楊善林,胡小建;貝葉斯網(wǎng)結(jié)構(gòu)學習的研究現(xiàn)狀及發(fā)展趨勢[J];合肥工業(yè)大學學報(自然科學版);2005年08期

7 劉明輝;王磊;黨林閣;石景嵐;;非確定先驗信息的貝葉斯網(wǎng)結(jié)構(gòu)學習方法[J];計算機工程;2010年05期

8 王磊;劉明輝;王維平;;先驗信息不確定條件下貝葉斯網(wǎng)結(jié)構(gòu)學習方法[J];計算機工程與應用;2010年16期

9 賈海洋;陳娟;劉大有;;貝葉斯網(wǎng)結(jié)構(gòu)學習搜索空間分析[J];計算機工程與科學;2010年09期

10 曹凱峰;丁洪濤;;基于貝葉斯網(wǎng)絡方法的客戶忠誠研究[J];價值工程;2009年03期

相關(guān)博士學位論文 前10條

1 朱允剛;貝葉斯網(wǎng)學習中若干問題研究及其在信息融合中的應用[D];吉林大學;2012年

2 胡笑旋;貝葉斯網(wǎng)建模技術(shù)及其在決策中的應用[D];合肥工業(yè)大學;2006年

3 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

4 董立巖;貝葉斯網(wǎng)絡應用基礎研究[D];吉林大學;2007年

5 馬德仲;基于貝葉斯網(wǎng)絡和多源信息構(gòu)建可靠性分析模型方法研究[D];哈爾濱理工大學;2015年

6 范敏;基于貝葉斯網(wǎng)絡的學習與決策方法研究及應用[D];重慶大學;2008年

7 黃友平;貝葉斯網(wǎng)絡研究[D];中國科學院研究生院（計算技術(shù)研究所）;2005年

8 賈海洋;貝葉斯網(wǎng)學習若干問題研究[D];吉林大學;2008年

9 李小琳;面向智能數(shù)據(jù)處理的貝葉斯網(wǎng)絡研究與應用[D];吉林大學;2005年

10 王紅梅;保護隱私的貝葉斯網(wǎng)絡學習研究[D];天津大學;2006年

相關(guān)碩士學位論文 前10條

1 宋偉梅;基于連續(xù)貝葉斯網(wǎng)絡的尿酸相關(guān)因素應用研究[D];山西醫(yī)科大學;2020年

2 辛國福;貝葉斯網(wǎng)絡中的因果推斷[D];西安電子科技大學;2011年

3 葛燕;人機結(jié)合的貝葉斯網(wǎng)建模方法研究[D];西安理工大學;2009年

4 郭艷軍;貝葉斯網(wǎng)學習方法及應用研究[D];華中科技大學;2009年

5 張劍飛;貝葉斯網(wǎng)絡學習方法和算法研究[D];東北師范大學;2005年

6 胡良東;共識貝葉斯網(wǎng)絡研究及應用[D];吉林大學;2013年

7 王軍;貝葉斯網(wǎng)絡在認知診斷中的應用[D];南京師范大學;2012年

8 董晨;貝葉斯網(wǎng)絡在電力系統(tǒng)故障中的應用研究[D];沈陽工業(yè)大學;2010年

9 周青松;貝葉斯網(wǎng)在圖書館圖書采購中的應用[D];云南大學;2012年

10 高倩;基于貝葉斯網(wǎng)絡預測的故障診斷的應用與研究[D];華北電力大學（北京）;2011年

本文編號：2865143