基于超結構的貝葉斯網(wǎng)絡結構學習.pdf

1、隨著信息技術的飛速發(fā)展，特別是大數(shù)據(jù)的出現(xiàn)，如何在海量數(shù)據(jù)中獲取有益的信息，已成為數(shù)據(jù)分析和預測的研究熱點．貝葉斯網(wǎng)絡能夠直觀、形象地表達數(shù)據(jù)之間的依賴關系，已被廣泛應用到機器學習、醫(yī)療診斷和信息科學等眾多領域．在貝葉斯網(wǎng)絡中，常常使用節(jié)點表示變量，使用有向邊表示變量間的因果依賴關系．針對現(xiàn)有算法中存在的不足之處，本文提出了一種基于超結構的貝葉斯網(wǎng)絡結構學習算法．全文的主要工作如下：
　　本文首先研究了貝葉斯網(wǎng)絡框架學習．針對數(shù)據(jù)

2、量較少或缺失情形下，基于條件獨立檢驗學習貝葉斯網(wǎng)絡框架時邊的缺失問題，本文提出了一種有效地學習貝葉斯網(wǎng)絡框架的算法．該算法首先進行邊緣獨立和一階條件獨立檢驗，然后利用節(jié)點間的必要路方法識別可能在條件獨立檢驗階段被刪除的邊，最后得到一個超結構，有效地避免了學習框架時，出現(xiàn)邊的缺失問題．本文算法與已有算法進行了比較，實驗仿真結果表明本文提出的算法在時間復雜度和網(wǎng)絡框架的精確度方面都有明顯的改善．
　　其次研究了小樣本情況下貝葉斯網(wǎng)絡結

3、構學習．在樣本量較小情況下，由于條件獨立檢驗的高階獨立檢驗具有不可靠性，導致得到的網(wǎng)絡結構的精確度偏低．對于這種問題，本文給出了一種基于超結構思想學習貝葉斯網(wǎng)絡結構的算法，即Opt01HC算法．該算法首先利用超結構的方法構建一個無向圖，它能夠學習到適度冗余的邊，很好地權衡了缺失邊和冗余邊的數(shù)量，然后采用搜索算法對得到的無向圖進行邊的定向，最后得到一個貝葉斯網(wǎng)絡結構．在標準數(shù)據(jù)集ASIA、ALARM、INSURANCE上進行了仿真實驗，結