發(fā)布時間：2023-02-26 03:00

　　BLP(Bayesian logic program)模型結合貝葉斯網和確定子句邏輯理論,以確定子句邏輯作為知識表示語言,以貝葉斯網建模不確定性,是表示現實世界問題的有效一階概率模型。本文研究了BLP模型的提出背景、語法和語義,總結了BLP模型學習問題的分類、目的和方法。在此基礎上,提出一種實現BLP模型的方法LBLP,以有效的獲取問題域的BLP模型。 本文具體工作如下: 1.應用粒子群優(yōu)化算法進行子句挖掘,獲取BLP模型的邏輯結構; 2.實現梯度上升方法的一階擴展,求得子句的條件概率分布,并為相關謂詞設置聯合規(guī)則,獲取BLP模型的定量描述; 3.針對BLP模型的查詢應用,實現回答查詢。對于無證據的查詢問題,建立查詢變量的支撐網,計算其先驗概率;對于存在證據的查詢問題,建立查詢變量和證據變量的合并網,應用推理算法計算概率。 4.采用UW-CSE數據庫對BLP模型中的粒子群優(yōu)化算法、梯度上升方法等進行測試,并應用十字交叉驗證法對粒子群優(yōu)化算法PSO和基于遺傳算法的子句挖掘方法GILP進行性能比較。實驗表明粒子群優(yōu)化算法能夠有效地獲取子句,且收斂速度略快于遺傳算法。

【文章頁數】：70 頁

【學位級別】：碩士

【文章目錄】：
提要
第一章 緒論
    1.1 研究背景
    1.2 本文工作
第二章 理論基礎
    2.1 統(tǒng)計關系學習 SRL
        2.1.1 統(tǒng)計關系學習概念
        2.1.2 統(tǒng)計關系學習方法分類
        2.1.3 統(tǒng)計關系學習的應用
    2.2 歸納邏輯程序 ILP
        2.2.1 ILP 的定義
        2.2.2 ILP 的問題描述
        2.2.3 ILP 的分類方法
        2.2.4 ILP 的優(yōu)點
    2.3 貝葉斯網 BN
        2.3.1 BN 的定義
        2.3.2 BN 的語義
        2.3.3 BN 的應用
第三章 BLP 模型
    3.1 BLP 的提出
    3.2 BLP 的定義
    3.3 BLP 的例子
    3.4 BLP 的語義
        3.4.1 聲明語義
        3.4.2 查詢語義
    3.5 BLP 的特例
        3.5.1 貝葉斯網
        3.5.2 確定子句邏輯
        3.5.3 結構短語
    3.6 BLP 的學習
        3.6.1 結構學習
        3.6.2 參數學習
第四章 BLP 模型的一種實現方法 LBLP
    4.1 粒子群簡介
        4.1.1 定義
        4.1.2 算法思想
    4.2 LBLP 的提出
    4.3 LBLP 的子句獲取
        4.3.1 數據預處理
        4.3.2 問題編碼
        4.3.3 挖掘算法
        4.3.4 適應度計算
        4.3.5 數據后處理
    4.4 LBLP 的概率分布計算
        4.4.1 統(tǒng)計方法
        4.4.2 梯度上升方法
    4.5 LBLP 的聯合規(guī)則設置
    4.6 LBLP 小結
第五章 實驗結果與分析
    5.1 實驗數據
    5.2 LBLP 算法的實驗
        5.2.1 子句獲取的實驗
        5.2.2 概率分布計算的實驗
        5.2.3 搜索空間的擴展
    5.3 推理應用實驗
        5.3.1 建立支撐網
        5.3.2 無證據查詢
        5.3.3 證據查詢
    5.4 PSO 與GILP 的對比實驗
    5.5 BLP 的修正
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
摘要
ABSTRACT
致謝
導師及作者簡介



本文編號：3749677