本文關(guān)鍵詞：鏈?zhǔn)录䦂D的推理和學(xué)習(xí)　出處：《西安電子科技大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 概率圖模型 鏈?zhǔn)录䦂D 貝葉斯網(wǎng)絡(luò) 事件樹 結(jié)構(gòu)學(xué)習(xí)

【摘要】：概率圖模型的主要研究內(nèi)容包括表示理論、推理理論和學(xué)習(xí)理論,基于不同的表示理論,人們提出不同的模型以滿足各種問題的需要.在傳統(tǒng)的概率圖模型中,常常使用節(jié)點(diǎn)表示變量,使用節(jié)點(diǎn)之間的邊表示變量間的依賴關(guān)系.基于新的表示理論,Jim Q.Smith等人于2005年首次提出鏈?zhǔn)录䦂D的概念,引起了國內(nèi)外的廣泛關(guān)注.鏈?zhǔn)录䦂D作為一類新興的概率圖模型,與經(jīng)典的貝葉斯網(wǎng)絡(luò)相比,可以更加全面精細(xì)地描述問題,更加方便簡單地進(jìn)行概率推理.鏈?zhǔn)录䦂D的前期研究重點(diǎn)在于完善其表示理論,目前的研究內(nèi)容側(cè)重于模型的學(xué)習(xí)算法研究.已有的結(jié)構(gòu)學(xué)習(xí)算法都是基于模型評分和模型優(yōu)化思想從鏈?zhǔn)录䦂D結(jié)構(gòu)空間中選擇評分最高的模型,此類算法的優(yōu)點(diǎn)是結(jié)果精確可靠,缺點(diǎn)是時(shí)間復(fù)雜度高、適用范圍小.針對這些問題,本文的主要工作如下:詳細(xì)介紹了鏈?zhǔn)录䦂D的相關(guān)基礎(chǔ)知識,引入了鏈?zhǔn)录䦂D的相關(guān)定義和術(shù)語,結(jié)合具體事例闡述了其表示理論和推理理論.同時(shí)解釋了鏈?zhǔn)录䦂D的構(gòu)造原理,對鏈?zhǔn)录䦂D的推理理論也進(jìn)行了相應(yīng)的研究.與貝葉斯網(wǎng)絡(luò)相比,盡管它們的推理理論差異較小,但其表示理論對于已經(jīng)熟悉傳統(tǒng)概率圖模型的人們來說可謂是耳目一新.論文創(chuàng)新性的提出了基于列聯(lián)表獨(dú)立性檢測的結(jié)構(gòu)學(xué)習(xí)算法.通過理論證明和實(shí)驗(yàn)仿真驗(yàn)證了新算法的可行性、正確性和高效性.與已有的AHC算法不同的是,新算法并未使用評分學(xué)習(xí)的思想,而是改用獨(dú)立性檢測來確定事件樹中的情形融合和階段劃分.理論證明了階段劃分和位置劃分的等價(jià)性,并將其應(yīng)用于新算法.與已有算法相比,新算法在實(shí)驗(yàn)仿真中可以極大的降低時(shí)間復(fù)雜度,平均運(yùn)行時(shí)間約為AHC算法的5.25%.同時(shí),實(shí)驗(yàn)驗(yàn)證了新算法的精確度隨著學(xué)習(xí)數(shù)據(jù)量的增加而明顯上升.
[Abstract]:The main research contents of probabilistic graph model include representation theory, reasoning theory and learning theory. Based on different representation theory, different models are proposed to meet the needs of various problems. Nodes are often used to represent variables and edges between nodes are used to represent dependencies between variables. Jim Q. Smith and others first proposed the concept of chain event graph in 2005 based on the new representation theory. As a new kind of probabilistic graph model, chain event graph can describe the problem more comprehensively than classical Bayesian network. It is more convenient and simple to do probabilistic reasoning. The emphasis of the previous research on chain event graph is to improve its representation theory. The existing structural learning algorithms are based on model scoring and model optimization ideas from the chain event graph structure space to select the model with the highest score. The advantage of this kind of algorithm is that the result is accurate and reliable, the disadvantage is that the time complexity is high and the scope of application is small. In view of these problems, the main work of this paper is as follows: the basic knowledge of chain event graph is introduced in detail. This paper introduces the definition and terminology of chain event graph, expounds its representation theory and reasoning theory with concrete examples, and explains the construction principle of chain event graph. The reasoning theory of chain event graph is also studied. Compared with Bayesian network, the difference of reasoning theory is small. However, the representation theory is new to those who are familiar with the traditional probabilistic graph model. This paper proposes an innovative structure learning algorithm based on column table independence detection, which is proved by theory and experimental simulation. The feasibility of the new algorithm is verified. Different from the existing AHC algorithm, the new algorithm does not use the idea of score learning. Instead of using independence detection to determine the case fusion and phase partition in the event tree, the theory proves the equivalence between the stage partition and the location partition, and applies them to the new algorithm, compared with the existing algorithms. The new algorithm can greatly reduce the time complexity in the experimental simulation, the average running time is about 5.25% of the AHC algorithm. Experiments show that the accuracy of the new algorithm increases with the increase of learning data.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：O157.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王文毅,李柱;失效分布類型的概率圖模糊判別[J];華中工學(xué)院學(xué)報(bào);1988年01期

2 R.M.Morris;曾曉梅;;數(shù)值概率在天氣預(yù)報(bào)中的應(yīng)用[J];氣象科技;1993年01期

3 岳昆;王朝祿;朱運(yùn)磊;武浩;劉惟一;;基于概率圖模型的互聯(lián)網(wǎng)廣告點(diǎn)擊率預(yù)測[J];華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

4 ;危害后季稻的秋季低溫預(yù)報(bào)方法[J];大氣科學(xué);1977年03期

5 徐瑾;岳昆;錢文華;張學(xué)杰;;一種基于概率圖模型的研究生生源質(zhì)量評價(jià)方法[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年S2期

6 張郢珍,張立人,粟生平,李志雄;地殼極限應(yīng)變與危險(xiǎn)區(qū)強(qiáng)震發(fā)生的概率估計(jì)[J];中國地震;1991年02期

7 孫山澤,謝雨平;如何確定決策問題中結(jié)局的概率[J];數(shù)理統(tǒng)計(jì)與管理;1996年05期

8 楊關(guān);馮國燦;陳偉福;羅志宏;;基于概率圖模型的圖像紋理模型[J];中山大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

9 蔡鵬飛;岳昆;李雪;劉惟一;;一種基于概率圖模型的關(guān)聯(lián)規(guī)則更新方法[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

10 謝彬;;遇到當(dāng)天出生的人的概率的準(zhǔn)確計(jì)算[J];陜西教育(高教版);2009年02期

相關(guān)會議論文 前6條

1 文振q;朱為總;歐陽杰;羅威;;基于無向概率圖模型的視頻語義狀態(tài)建模[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2009年

2 蘇從勇;莊越挺;黃麗;吳飛;;基于概率圖模型的人臉多特征跟蹤[A];全國第13屆計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)（CAD/CG）學(xué)術(shù)會議論文集[C];2004年

3 黎海恩;劉建偉;羅雄麟;;概率圖模型的變分近似推理[A];2013年中國智能自動(dòng)化學(xué)術(shù)會議論文集（第四分冊）[C];2013年

4 王源;岳昆;方啟宇;劉惟一;;CloudBN:基于云計(jì)算的概率圖模型學(xué)習(xí)系統(tǒng)[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

5 張領(lǐng)強(qiáng);張怡;王勇軍;;一種基于攻擊概率的攻擊圖分級方法[A];中國電子學(xué)會第十六屆信息論學(xué)術(shù)年會論文集[C];2009年

6 朱青;王珊;常利軍;;基于概率學(xué)習(xí)導(dǎo)航的分布式信息查詢[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（一）[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 石東昱;適合分布計(jì)算環(huán)境不確定性處理的概率圖模型若干問題研究[D];上海交通大學(xué);2006年

2 孫建中;面向圖像處理的概率圖模型應(yīng)用研究[D];重慶大學(xué);2013年

3 趙安平;基于概率圖模型的服務(wù)語義鏈網(wǎng)絡(luò)研究[D];西南大學(xué);2011年

4 段琳琳;通信系統(tǒng)中基于概率圖模型的迭代接收技術(shù)研究[D];鄭州大學(xué);2014年

5 劉志磊;概率圖模型在情感計(jì)算中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2014年

6 門衛(wèi)偉;中西方人腦形態(tài)學(xué)研究與大樣本中國人腦模板構(gòu)建[D];華東師范大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 方文周;基于概率邊界的多層次顯著性檢測算法研究[D];深圳大學(xué);2015年

2 王朋函;基于概率圖的三支決策模型及其應(yīng)用研究[D];河南師范大學(xué);2015年

3 陸希晨;基于概率圖模型的優(yōu)化算法研究[D];青島大學(xué);2016年

4 蔡波;基于概率圖模型的目標(biāo)跟蹤算法研究[D];南京航空航天大學(xué);2016年

5 楊文明;鏈?zhǔn)录䦂D的推理和學(xué)習(xí)[D];西安電子科技大學(xué);2015年

6 朱鵬;基于概率圖模型的視覺目標(biāo)跟蹤算法研究[D];福建師范大學(xué);2016年

7 李禎孝;視覺特征分析的概率圖模型方法[D];上海交通大學(xué);2010年

8 黃其旺;基于改進(jìn)概率圖的多無人機(jī)協(xié)同搜索策略研究[D];國防科學(xué)技術(shù)大學(xué);2012年

9 高龍;基于概率圖模型的變分貝葉斯方法研究[D];蘇州大學(xué);2013年

10 張靜;異構(gòu)網(wǎng)絡(luò)的概率圖建模及其在檢索中的應(yīng)用[D];清華大學(xué);2009年

，

本文編號：1384819