贝叶斯网络评分准则对MMHC算法学习效果的影响

贝叶斯网络是研究不确定环境下知识表示和因果推理的有效工具之一。MMHC算法是一种较新的贝叶斯网络结构学习算法。在MMHC算法的基础上，对几种广泛使用的贝叶斯网络评分准则如MIT、K2Score、MDL、BDeu评分准则等进行了研究，实验结果表明K2评分准则在MMHC学习算法上具有最好的学习效果，MIT评分和BDeu评分次之，MDL评分效果最差。     

贝叶斯网络的结构学习综述

贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型,广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域。结构学习作为构建贝叶斯网络的基础,被证实为非确定多项式难题。文中将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据,将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法。根据上述分类方法,对现有算法及其相关的改进算法进行总结与分析对比。     

贝叶斯网络在车辆状态远程故障诊断系统中的应用

为了解决车辆状态远程故障诊断系统中的不确定性问题,提出了一种基于贝叶斯网络模型的故障诊断方法．这种故障诊断方法可在输入数据不完备,甚至含噪的情况下,充分利用贝叶斯网络的先验知识以及建模学习能力和概率推理算法来应对不确定性问题的表示和推理,完成系统的故障诊断．实验结果表明,贝叶斯网络方法在车辆故障诊断速度、准确性方面优于传统的基于BP算法或RBF算法的诊断方法,并且提高了故障诊断系统的鲁棒性．     

模糊联想记忆神经网络的动态学习算法

提出了最大最小联想记忆网络的一种动态调整学习算法，分析了动态调整算法所设计出的连接权阵网络对记忆模式对吸收域的影响，在一定条件下，它能够简便而有效地对训练模式进行联想推理。首先给出了一种快速调整学习算法，再进一步发展了一个动态指数细调规则学习算法，它以快速调整学习算法的结果作为连接权矩的迭代初值。计算机实验结果表明了所提学习算法的优越性。     

交通事故致因分析的贝叶斯网络建模

综合运用相关性分析方法和K2算法进行了贝叶斯网络的结构学习,并应用贝叶斯参数估计方法进行了贝叶斯网络的参数学习,建立了交通事故致因分析的贝叶斯网络。应用已建网络分析了各因素对事故严重程度的影响,推理学习了改善交通控制方式在降低交通事故严重程度方面起到的作用。研究结果表明,基于贝叶斯网络建立的交通事故致因分析模型预测精度较高,而且可以应用于影响事故严重程度的因素分析,并在此基础上考察如何采取优化措施改善交通安全。     

基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

合成确信的分布修正与实现

讨论在贝叶斯网中的确信修正算法及实现，贝叶斯网是一种在ＡＩ领域里近来研究的一种似直推理网，在总结贝叶斯网基础上，对设计系统时所使用的数据结构和算法进行了描述，最后发展成一个局部修正模式，并在实验中验证了系统的正确性。     

基于贝叶斯网络的自适应学生模型的研究

首先介绍了贝叶斯网络的基础理论，贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一。适用于不确定性和概率性的知识表达和推理。接着介绍了自适应学生模型的概念和理论，然后运用贝叶斯网络构建了一个自适应性学生模型，并对贝叶斯网络学生模型的知识表达方法进行了研究，最后举例说明这个理论的可行性。基于贝叶斯网络构建的适应性学生模型能够有效地提供适应性的网络教学资源，从而有助于实现网络教学平台的适应性学习。     

参数自适应动态贝叶斯舰船态势估计算法

为减少动态海域下贝叶斯网络舰船态势估计算法较大的误差,提出了一种改进的动态贝叶斯网络舰船态势估计算法。该算法根据多路传感器的数据和新获取的态势信息进行推理,通过计算新态势要素与原有态势要素间的互信息构建并更新动态贝叶斯网络参数。与传统贝叶斯网络态势估计算法对比,在仿真情况下对10000艘舰船进行合作态势估计,改进动态贝叶斯网络的舰船态势估计算法合作舰船错误率降低了7.1%;用实测数据,目标的合作态势提升了4.2%。改进的算法不仅能够实时地反映舰船环境变化,同时还提高了目标态势估计的准确概率,为海监提供了一种舰船态势分析与决策的技术支持。     

贝叶斯网络的战场作战意图评估方法

为了对复杂的战场环境下战场当前态势进行准确的评估和预测,采用贝叶斯网络分析影响作战意图的主要因素及其相互关系,构建了战场作战意图评估贝叶斯网络,采用联合树推理算法进行推理计算.研究结果表明：在不同的战场环境下,根据获得的相关因素,利用贝叶斯网络进行推理,得出了不同条件下的作战意图评估结果,与专家认知常识具有一定的一致性.     

基于禁忌搜索的贝叶斯网结构学习算法

针对随机搜索机制学习算法参数设置较多的不足,提出了一种基于禁忌搜索的贝叶斯网结构学习算法.此算法首先利用加边、减边、逆向边3个算子产生当前解的邻域,然后结合禁忌表和蔑视准则以引导和限制搜索过程,2个步骤迭代进行,直至达到全局最优解或近似最优解.仿真实验表明,此算法不仅具有结构简单、参数少、易于实现的特点,而且求解质量也能得到保证.     

基于案例和规则推理的贝叶斯网建模

正确、高效地针对问题建立模型是应用贝叶斯网的关键,而从数据中学习贝叶斯网往往因为搜索空间庞大而效率低下.提出基于案例和规则推理的建模方法,建立领域知识库,使用框架和一阶概率逻辑表示贝叶斯网,当面对新的问题时,使用相似度和偏离度两个指标进行案例匹配,对选中的案例使用组合和剪枝技术修正,得到新问题的求解模型.整个过程以案例推理为主,并用规则推理辅助.这种方法能够复用历史案例,提高贝叶斯网建模效率.     

信息不完备情况下多因素工序质量诊断方法

为解决信息不完备情况下的多因素工序质量诊断问题,在工艺机理分析的基础上,提出基于贝叶斯网络模型构建与推理的问题溯源方法.在贝叶斯网络结构学习过程中,利用基于评分/搜索的思想对基于工艺的预先假设结构,通过互信息参量排序降低学习复杂度.针对生产过程中随机因素对诊断准确性的影响问题,结合Leaky Noisy-OR模型引入随机参量节点,对数据需求和推理进行降解优化.以沟道磨削表面形貌质量问题的诊断为例,给出模型构建与推理程序,并验证了所构建模型及优化方法的可行性和有效性.     

基于贝叶斯网络模型的在线学习行为分析

线上线下结合的教学模式是未来教学的一个趋势,每一个学生的学习行为会直接影响学习结果,因此研究学习者学习行为对学习成绩的影响程度是目前的研究重点。目前常见的评价模型存在可信程度较低、可解释性较弱等问题,本文使用基于证据推理的贝叶斯网络(Bayes Network, BN)能够有效地解决这一问题。把方法应用在学习行为分析上,与常用的机器模型和深度学习模型进行比较,表现出更低的误差和更强的可解释性。     

学术论文写作谈

文章就写好学术论文的三个关键问题——学术论文的涵义与特征、学术论文的选题及主要途径与万法、学术论文的基本结构与规范化要求，阐述了自己的一些看法，对于提高学术论文的写作水平和科技含量，有一定的指导意义。     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.     

一种用ANN实现带权不确定性推理的方法

介绍了基于可信度的带权不确定性推理.阐述了用神经网络(ANN)如何实现基于可信度的带权不确定性推理.分析了这种神经网络的知识表示、结构及其不确定性推理方法.说明了如何利用这种神经网络并行地实现多规则的基于可信度的带权不确定性推理,以及如何解决冲突消解问题.采用这种神经网络结构的系统不仅能实现基于可信度的带权不确定性推理,而且具有自学习、并行推理、冲突消解、抗缺省等能力.采用的神经网络结构突破了传统神经网络结构的设计思想,对于扩展神经网络的应用具有参考价值.     

贝叶斯网络杂交学习算法及其在中医中的应用

针对贪婪贝叶斯模式搜索算法(GBPS)在搜索最优贝叶斯网络结构时易陷入局部最优的不足，提出了一种改进的GBPS算法.在GBPS算法的邻域生成过程中引入了有向边的变向操作，并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响.将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系.结果表明，该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS).所发现的症状－辨证要素间的相关关系与中医专家经验吻合较好，可用于从中医诊断数据中自动获取中医专家知识.