概率圖模型將圖論和概率論有機(jī)結(jié)合,廣泛用于不確定性知識(shí)的建模和推理.貝葉斯網(wǎng)絡(luò)是概率圖模型中理論完善且應(yīng)用較廣的一類子模型.鏈圖作為貝葉斯網(wǎng)絡(luò)的推廣模型,包含貝葉斯網(wǎng)絡(luò)但又不僅限于該網(wǎng)絡(luò),具有較強(qiáng)的表示能力.由于問題的表達(dá)和推理是建立在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)之上,因此從數(shù)據(jù)中學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)是概率圖模型研究的一個(gè)重要分支.本文針對(duì)貝葉斯網(wǎng)絡(luò)和鏈圖模型的結(jié)構(gòu)學(xué)習(xí)問題,分別提出基于得分和基于約束的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法.主要內(nèi)容如下:首先,針對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問題,提出了基于粒子群優(yōu)化的結(jié)構(gòu)學(xué)習(xí)算法,該算法旨在通過建立搜索策略,最大化候選網(wǎng)絡(luò)結(jié)構(gòu)的得分.我們給出了粒子速度和位置的離散形式,結(jié)合貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn),在不改變經(jīng)典粒子群優(yōu)化算法尋優(yōu)機(jī)制的基礎(chǔ)上,設(shè)計(jì)了粒子速度和位置的新的更新策略.為了提高算法性能,在粒子更新過程中采用鄰域搜索機(jī)制.基準(zhǔn)網(wǎng)絡(luò)上的測(cè)試結(jié)果驗(yàn)證了算法的可行性和有效性.對(duì)比實(shí)驗(yàn)結(jié)果表明所提出算法在網(wǎng)絡(luò)得分和時(shí)間方面具有一定優(yōu)勢(shì).其次,為了進(jìn)一步研究基于得分的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法,將最新提出的元啟發(fā)式算法水循環(huán)算法用于解決貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問題,設(shè)計(jì)了新的基于二進(jìn)制編碼的水循環(huán)算法...

【文章頁(yè)數(shù)】：123 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)安排
第二章 概率圖模型的基礎(chǔ)知識(shí)
    2.1 概率論與圖論知識(shí)
        2.1.1 概率論
        2.1.2 圖論
    2.2 概率圖模型
        2.2.1 貝葉斯網(wǎng)絡(luò)的基本概念
        2.2.2 鏈圖的基本概念
    2.3 概率圖模型結(jié)構(gòu)學(xué)習(xí)算法
        2.3.1 基于約束的方法
        2.3.2 基于得分搜索的方法
    2.4 本章小結(jié)
第三章 基于離散速度的粒子群優(yōu)化算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)
    3.1 引言
    3.2 粒子群優(yōu)化算法
    3.3 基于離散速度的粒子群優(yōu)化算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.1 解的表達(dá)和構(gòu)造
        3.3.2 粒子速度更新規(guī)則
        3.3.3 粒子位置更新規(guī)則
        3.3.4 鄰域搜索
        3.3.5 新離散粒子群優(yōu)化算法學(xué)習(xí)BNs流程
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)和性能評(píng)價(jià)準(zhǔn)則
        3.4.2 算法及參數(shù)設(shè)置
        3.4.3 NDPSO-BN算法學(xué)習(xí)BNs
        3.4.4 NDPSO-BN與其它算法比較
    3.5 本章小結(jié)
第四章 二進(jìn)制編碼水循環(huán)算法解決貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問題
    4.1 引言
    4.2 水循環(huán)算法
        4.2.1 初始解表達(dá)
        4.2.2 更新規(guī)則
        4.2.3 蒸發(fā)條件
    4.3 二進(jìn)制編碼水循環(huán)算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.1 解的表達(dá)和初始化
        4.3.2 基于邏輯運(yùn)算更新個(gè)體位置
        4.3.3 蒸發(fā)過程
        4.3.4 算法流程
    4.4 收斂性分析
    4.5 實(shí)驗(yàn)分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)以及評(píng)估方法
        4.5.2 算法及參數(shù)
        4.5.3 BEWCA-BN算法學(xué)習(xí)BNs
        4.5.4 不同算法學(xué)習(xí)BNs
    4.6 算法應(yīng)用
    4.7 本章小結(jié)
第五章 基于錯(cuò)誤發(fā)現(xiàn)率控制的鏈圖局部結(jié)構(gòu)學(xué)習(xí)算法
    5.1 引言
    5.2 理論基礎(chǔ)
        5.2.1 鏈圖結(jié)構(gòu)學(xué)習(xí)的基本理論
        5.2.2 條件獨(dú)立性測(cè)試
    5.3 鏈圖結(jié)構(gòu)學(xué)習(xí)算法
        5.3.1 PCMB算法
        5.3.2 鏈圖結(jié)構(gòu)學(xué)習(xí)
        5.3.3 基于錯(cuò)誤發(fā)現(xiàn)率控制學(xué)習(xí)鏈圖骨架
        5.3.4 恢復(fù)鏈圖復(fù)合體有向邊
    5.4 計(jì)算復(fù)雜性分析
        5.4.1 骨架學(xué)習(xí)算法的復(fù)雜性分析
        5.4.2 復(fù)合體有向邊恢復(fù)算法的復(fù)雜性分析
    5.5 實(shí)驗(yàn)分析
        5.5.1 實(shí)驗(yàn)數(shù)據(jù)和性能測(cè)試準(zhǔn)則
        5.5.2 LCG_fdr算法學(xué)習(xí)鏈圖結(jié)構(gòu)
        5.5.3 對(duì)比實(shí)驗(yàn)分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3899754