【摘要】：引入專家知識(shí)已成為小數(shù)據(jù)集條件下貝葉斯網(wǎng)絡(luò)建模的主流方法,然而,專家知識(shí)是否正確直接決定了算法的結(jié)果和性能。因此,在考慮專家知識(shí)正確性的基礎(chǔ)上,本文對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問題展開研究。首先,建立一種基于連接概率分布的結(jié)構(gòu)約束模型來表示專家知識(shí),進(jìn)而結(jié)合該約束模型對(duì)貝葉斯信息準(zhǔn)則(Bayesian information criterions,BIC)評(píng)分進(jìn)行改進(jìn);最后,利用K2算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明,在小數(shù)據(jù)集條件下本文所提算法不僅能將專家知識(shí)引入到學(xué)習(xí)過程中,進(jìn)而改善學(xué)習(xí)效果,并且對(duì)不完全正確的專家知識(shí)有一定的適應(yīng)性。
[Abstract]:The introduction of expert knowledge has become the mainstream method of Bayesian network modeling under the condition of small data set. However, whether the expert knowledge is correct or not directly determines the result and performance of the algorithm. Therefore, on the basis of considering the correctness of expert knowledge, this paper studies the learning of Bayesian network structure. Firstly, a structural constraint model based on join probability distribution is established to represent the expert knowledge, and then the Bayesian information criterion (Bayesian information criterions,BIC) score is improved by using the constraint model. Finally, the Bayesian network structure is studied by using K2 algorithm. The experimental results show that the proposed algorithm can not only introduce the expert knowledge into the learning process, but also improve the learning effect under the condition of small data set, and it also has certain adaptability to the incomplete expert knowledge.
【作者單位】： 西北工業(yè)大學(xué)電子信息學(xué)院;
【基金】：國家自然科學(xué)基金(61305133,61573285) 中國高校博士點(diǎn)基金(20116102110026)資助課題
【分類號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 邸若海;高曉光;郭志高;;小數(shù)據(jù)集BN建模方法及其在威脅評(píng)估中的應(yīng)用[J];電子學(xué)報(bào);2016年06期

2 吳紅;王維平;楊峰;;融合先驗(yàn)信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法[J];系統(tǒng)工程與電子技術(shù);2012年12期

【共引文獻(xiàn)】

相關(guān)期刊論文 前5條

1 邸若海;高曉光;郭志高;;小數(shù)據(jù)集BN建模方法及其在威脅評(píng)估中的應(yīng)用[J];電子學(xué)報(bào);2016年06期

2 沈琳;于勁松;唐荻音;劉浩;;圖模型與學(xué)習(xí)算法結(jié)合的貝葉斯網(wǎng)絡(luò)自動(dòng)建模[J];北京航空航天大學(xué)學(xué)報(bào);2016年07期

3 杜元偉;石方園;楊娜;;基于證據(jù)理論/層次分析法的貝葉斯網(wǎng)絡(luò)建模方法[J];計(jì)算機(jī)應(yīng)用;2015年01期

4 郭童;林峰;;基于混合差分蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J];模式識(shí)別與人工智能;2014年06期

5 梅軍峰;高曉光;萬開方;;小數(shù)據(jù)集條件下基于不確定先驗(yàn)的BN參數(shù)學(xué)習(xí)[J];系統(tǒng)工程與電子技術(shù);2014年06期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高曉光;邸若海;郭志高;;基于改進(jìn)粒子群優(yōu)化算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J];西北工業(yè)大學(xué)學(xué)報(bào);2014年05期

2 吳紅;王維平;楊峰;;融合先驗(yàn)信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法[J];系統(tǒng)工程與電子技術(shù);2012年12期

3 朱明敏;劉三陽;汪春峰;;基于先驗(yàn)節(jié)點(diǎn)序?qū)W習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法[J];自動(dòng)化學(xué)報(bào);2011年12期

4 任佳;高曉光;茹偉;;數(shù)據(jù)缺失的小樣本條件下BN參數(shù)學(xué)習(xí)[J];系統(tǒng)工程理論與實(shí)踐;2011年01期

5 周曉光;張強(qiáng);;模糊群決策中專家意見的匯總研究[J];北京理工大學(xué)學(xué)報(bào);2009年10期

6 王中鋒;王志海;付彬;;一種局部打分搜索型限制性貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年05期

7 劉洋;樊治平;;一種具有多粒度不確定語言信息的群決策方法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

8 李武;王麗娜;陳妍;;逼近群體理想解的多屬性群決策新方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年02期

9 楊p，

本文編號(hào)：2261458