本文關(guān)鍵詞：貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的混合優(yōu)化方法研究

  更多相關(guān)文章： 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò) 結(jié)構(gòu)學(xué)習(xí) 互信息 最大信息系數(shù) 二進(jìn)制粒子群算法

【摘要】：貝葉斯網(wǎng)絡(luò)是以概率論和圖論為基礎(chǔ),用概率來表示所有形式的不確定性,現(xiàn)已成為進(jìn)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(luò)已廣泛應(yīng)用于多個(gè)前沿研究領(lǐng)域,然而對(duì)于復(fù)雜的動(dòng)態(tài)系統(tǒng),由專家根據(jù)領(lǐng)域知識(shí)直接構(gòu)造貝葉斯網(wǎng)絡(luò)顯然不切實(shí)際。因此,如何從樣本數(shù)據(jù)集中學(xué)習(xí)得到動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)成為該領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。在各種各樣的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)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(píng)分搜索兩大類結(jié)構(gòu)學(xué)習(xí)算法的長處而引起研究者的重視。本文從目前結(jié)構(gòu)學(xué)習(xí)中群智能學(xué)習(xí)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(jìn)措施,以提升結(jié)構(gòu)學(xué)習(xí)算法的性能。主要工作包括以下方面:1.對(duì)貝葉斯網(wǎng)絡(luò)及其結(jié)構(gòu)學(xué)習(xí)的基本知識(shí)和研究現(xiàn)狀進(jìn)行了總結(jié)和梳理,并結(jié)合具體算法進(jìn)行相對(duì)應(yīng)結(jié)構(gòu)學(xué)習(xí)方法的闡述分析,特別是動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的定義表示以及當(dāng)前的結(jié)構(gòu)學(xué)習(xí)研究情況;2.提出了基于互信息和二進(jìn)制粒子群優(yōu)化的MI-BPSO算法。該算法是針對(duì)當(dāng)前群智能學(xué)習(xí)算法的初始搜索起點(diǎn)具有隨機(jī)性、離散情況下搜索效果差等缺點(diǎn),分別從初步網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造、初始粒子群的產(chǎn)生和二進(jìn)制粒子群算法的改進(jìn)策略三個(gè)方面對(duì)基本粒子群算法進(jìn)行了改進(jìn)。實(shí)驗(yàn)表明三種改進(jìn)策略的混合應(yīng)用有效地提高了算法的學(xué)習(xí)效率和質(zhì)量,特別是互信息方法大大降低動(dòng)態(tài)網(wǎng)絡(luò)中轉(zhuǎn)移網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)計(jì)算量;3.在MI-BPSO算法的基礎(chǔ)上,提出了改進(jìn)MIC-BPSO算法。該算法從初步網(wǎng)絡(luò)構(gòu)建方法和粒子群算法中最優(yōu)值更新策略兩個(gè)方面對(duì)MI-BPSO算法進(jìn)行改進(jìn)優(yōu)化:采用最大信息系數(shù)替代互信息方法進(jìn)行初始無向圖構(gòu)建,提高初步網(wǎng)絡(luò)結(jié)構(gòu)質(zhì)量;利用評(píng)分函數(shù)的分解性,將BPSO算法中個(gè)體最優(yōu)值和群體最優(yōu)值的更新粒度細(xì)化到父子節(jié)點(diǎn)集合層級(jí),提高算法的學(xué)習(xí)質(zhì)量和學(xué)習(xí)效率。實(shí)驗(yàn)表明新算法在靜態(tài)和動(dòng)態(tài)網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)中,學(xué)習(xí)質(zhì)量和時(shí)間效率均有較大提升。
【關(guān)鍵詞】：動(dòng)態(tài)貝葉斯網(wǎng)絡(luò) 結(jié)構(gòu)學(xué)習(xí) 互信息 最大信息系數(shù) 二進(jìn)制粒子群算法
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(luò)研究現(xiàn)狀9-10
• 1.1.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)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(gòu)16-19
• 2 貝葉斯網(wǎng)絡(luò)概述19-39
• 2.1 貝葉斯網(wǎng)絡(luò)定義19-21
• 2.2 貝葉斯網(wǎng)絡(luò)基本性質(zhì)21-24
• 2.2.1 d-分隔21-22
• 2.2.2 馬爾科夫等價(jià)類22-24
• 2.3 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)24-32
• 2.3.1 結(jié)構(gòu)學(xué)習(xí)的基本問題及假設(shè)24-25
• 2.3.2 基于約束的結(jié)構(gòu)學(xué)習(xí)方法25-28
• 2.3.3 基于評(píng)分搜索的結(jié)構(gòu)學(xué)習(xí)方法28-31
• 2.3.4 混合學(xué)習(xí)算法31-32
• 2.4 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)32-38
• 2.4.1 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的定義及表示33-34
• 2.4.2 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)34-38
• 2.5 本章小結(jié)38-39
• 3 基于MI-BPSO算法的BN結(jié)構(gòu)學(xué)習(xí)39-69
• 3.1 信息熵與互信息理論39-40
• 3.2 二進(jìn)制粒子群算法40-43
• 3.3 基于互信息和二進(jìn)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(luò)構(gòu)造方法43-48
• 3.3.2 改進(jìn)二進(jìn)制粒子群優(yōu)化算法48-52
• 3.3.3 無效網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)與破除52-55
• 3.3.4 MI-BPSO算法55
• 3.4 實(shí)驗(yàn)設(shè)計(jì)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(zhǔn)則57-58
• 3.4.3 靜態(tài)BN結(jié)構(gòu)學(xué)習(xí)的實(shí)驗(yàn)分析58-63
• 3.4.4 動(dòng)態(tài)BN結(jié)構(gòu)學(xué)習(xí)的實(shí)驗(yàn)分析63-66
• 3.5 本章小結(jié)66-69
• 4 基于改進(jìn)MIC-BPSO算法的BN結(jié)構(gòu)學(xué)習(xí)69-83
• 4.1 最大信息系數(shù)69-70
• 4.2 改進(jìn)MIC-BPSO算法70-77
• 4.2.1 基于最大信息系數(shù)的初步網(wǎng)絡(luò)構(gòu)造方法70-72
• 4.2.2 基于評(píng)分函數(shù)分解性的改進(jìn)BPSO算法72-76
• 4.2.3 改進(jìn)MIC-BPSO算法流程76-77
• 4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析77-82
• 4.3.1 靜態(tài)BN結(jié)構(gòu)學(xué)習(xí)的實(shí)驗(yàn)分析77-80
• 4.3.2 動(dòng)態(tài)BN結(jié)構(gòu)學(xué)習(xí)的實(shí)驗(yàn)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(xiàn)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(xiàn)】

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(jìn)遺傳算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J];西北工業(yè)大學(xué)學(xué)報(bào);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(luò)結(jié)構(gòu)學(xué)習(xí)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(luò)結(jié)構(gòu)學(xué)習(xí)[J];系統(tǒng)工程與電子技術(shù);2011年11期

5 陳海洋;高曉光;樊昊;;變結(jié)構(gòu)DDBNs的推理算法與多目標(biāo)識(shí)別[J];航空學(xué)報(bào);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(biāo)威脅評(píng)估方法[J];系統(tǒng)工程與電子技術(shù);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(luò)學(xué)習(xí)[J];系統(tǒng)工程與電子技術(shù);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(xué)報(bào);2009年08期

9 肖秦琨;高曉光;高嵩;王海蕓;;DBN結(jié)構(gòu)學(xué)習(xí)度量分解性能分析[J];系統(tǒng)工程與電子技術(shù);2009年04期

10 冀俊忠;張鴻勛;胡仁兵;劉椿年;;一種基于獨(dú)立性測(cè)試和蟻群優(yōu)化的貝葉斯網(wǎng)學(xué)習(xí)算法(英文)[J];自動(dòng)化學(xué)報(bào);2009年03期

，

本文編號(hào)：871204