基于蚁群算法的贝叶斯网结构学习

针对具有丢失数据的贝叶斯网结构学习问题,提出了一种将数据的完备化与结构的蚁群优化相结合的学习方法.随机初始化未观察到的数据,得到完整的数据集,并利用蚁群算法学习得到初始网络结构;然后进行迭代学习,在每次迭代中根据当前最好的贝叶斯网结构,利用EM估计和随机的采样插入对数据进行完备化,在完备数据下,利用改进的蚁群优化过程使结构不断进化,直到获得全局最优解.实验结果表明,该方法能有效地从不完备数据中学习贝叶斯网结构且与新近的MS-EM、EGA、BN-GS方法相比,具有更高的学习精度.     

一种基于成分数据的修正EM算法

针对成分数据中的零值或近似零值,导致对成分数据作对数比变换后出现了缺失数据的现象,提出了一种基于均值插补法的修正EM算法来估计变换后的缺失数据.该方法首先对缺失数据所在列中的数据用Bootstrap方法反复抽样,然后用抽样得到的样本均值作为EM算法的初始值来估计缺失数据,最后将缺失数据的估计值代入对数比变换的逆变换求得原始成分数据零值的近似估计.实验结果表明:在误差允许的范围内,基于均值插补法的修正EM算法计算量少,操作简单,因此对于数据量大或者缺失率高的数据不失为一个好的插补法.     

基于改进MS-EM算法的贝叶斯网络学习法构建基因调控网络

基因调控网络的重构是功能基因组中最具挑战性的课题之一.实验证明构建基因调控网络的最有前途的方法是贝叶斯网络.EM算法是一种有效的利用数据来学习贝叶斯网络的方法,能较好地处理构建基因调控网络中的数据缺失情况,但存在学习精度低、对初始参数值依赖的缺点.本文应用贝叶斯网络实现啤酒酵母细胞基因调控网络的构建,用改进的MS-EM算法进行学习,并实现实验结果的可视化.与现有文献比较,结果表明改进后的算法进一步降低了时间性能,提高了构建调控网络的精度.     

用于函数优化的进化非选择算法实验分析

进化非选择算法是将生物免疫系统的非选择机制和进化学习机制相结合而形成的算法,影响其求解效率的算子除了传统进化算法中的变异和选择算子外,还有非选择算子.通过函数优化实验验证了进化非选择算法的求解性能,结果表明非选择算子的引入使得进化非选择算法能够较好地跳出局部最优解,具有较为稳定的求解性能.与此同时,针对函数优化问题,给出了非选择算子相关的自我集大小和自我集每代更新数目这2个影响算法效率的重要参数的参考取值方法.     

基于萤火虫算法的脑效应连接网络学习方法

脑效应连接网络学习是人脑连接组研究的一个重要研究课题,准确识别脑效应连接网络对于脑疾病的早期诊断以及病理研究具有重要意义.本文将萤火虫算法与贝叶斯网相结合,提出了一种带有繁殖机制的脑效应连接网络萤火虫学习方法.新方法使用K2评分作为目标函数来衡量萤火虫个体的绝对亮度,利用萤火虫种群的寻优来完成脑效应连接网络的学习,并利用繁殖机制对种群实施进一步的优化.首先将一种仅含少数边的脑效应连接网络表示成一个萤火虫个体,并通过萤火虫个体的定向移动操作以及随机移动操作逐步构建脑效应连接网络;然后每经过一定代数的寻优后,萤火虫种群执行一次繁殖过程,以优化效应连接网络的质量.最后,当算法收敛时,将萤火虫种群中绝对亮度最高个体所代表的网络结构作为学习到的最优脑效应连接网络.在多组模拟数据集上的实验结果验证了新算法中繁殖机制的有效性,且与其它算法相比,新算法具有明显优势.在真实数据上的实验也表明了算法的潜在实用性.     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

网络透视中延迟推理算法的研究和改进

针对许多情况下网络参数不能直接测量的问题,网络透视方法将网络测量与统计推理相结合,间接得到网络中的链路性能参数.针对链路延迟的测量,介绍了网络透视中的基本EM算法,在减小矢量搜索空间,减少在一个时间窗口内调用EM算法次数,利用前面时间窗口的计算结果来避免当前时间窗口的重复EM计算等3个方面提出了降低EM算法计算复杂性的方法,并综合这些方法得出了改进的EM算法.实验表明,使用改进后的算法得到的推理结果能很好地逼近真实结果,并且在效率上有明显的提高.     

全源NT技术的接入网链路丢包率推断

针对接入网链路丢包率具有非对称性,单源和多源的NT技术只能推断单向链路性能的问题,提出全源NT的测量模式,研究了基于全源NT的链路丢包率估计技术.提出了将全源网络结构转化为可辨识网络结构的方法,并给出采用EM算法和MCMC算法的链路丢包率估计方法.仿真实验表明该推断方法是有效的.     

基于思维进化算法的人工神经网络结构优化

针对神经网络结构难以优化的问题，本采用思维进化计算(MEC)算法和BP算法相结合的方法来动态优化神经网络结构。随机产生网络结构，对每一结构，利用BP算法评价神经网络结构优劣，找到局部最优结构，再通过MEC算法中的趋同、异化操作，找出全局最优结构。仿真结果说明了算法的有效性。     

基于聚类组织协同进化的入侵检测算法

针对组织协同进化分类算法中样本数据集数量较大时对训练样本的学习不充分,分类的效率和准确性不高的问题,提出了一种将聚类融入了组织协同的进化算法.该算法在分析组织协同进化特征的基础上,形成聚类组织协同进化算法,并将此算法应用于入侵检测问题中使得训练样本得到比较充分的学习.通过该算法对KDDCUP99数据集进行仿真对比实验,验证了该算法的有效性.     

应用MCEM算法估计一阶双重线性时间序列模型中的参数

本文利用Monte Carlo EM算法实现了对一阶双重线性时间序列模型的参数的估计.推出了估计模型中两个未知参数m与σ2的迭代步骤,并对模型进行了模拟计算,给出了模拟计算的结果.     

基于MCMC算法贝叶斯网络的学习

对于给定的阈值,通过计算变量之间的互信息,设计了一种构造贝叶斯网络结构的方法。改进了关于图模结构学习中常见的 MCMC 算法。将这种方法构造的贝叶斯网络作为马尔可夫链初始状态的网络结构,利用改进后的 MCMC 算法,构造一个关于贝叶斯网络结构的马尔可夫链。迭代给定次数后,得到关于变量组的贝叶斯网络结构。实验结果表明:改进前和改进后的两种方法得到的贝叶斯网络结构基本一致,网络结构的接受率也相近。     

不确定条件下多产品间歇过程优化研究

针对不确定参数数目增大时不确定条件下间歇过程优化较难求解的情况 ,提出了新的求解策略。将蒙特卡罗积分策略与求解二阶段随机规划的可行域算法相结合 ;依据间歇过程特性 ,避免求解一系列可行域限定子问题 ;将积分值抽样点数与Benders算法主问题优化限定条件中的抽样点数相区别 ,利用两组抽样点求解。新的求解策略使不确定参数数目增大的情况下间歇过程优化问题变得较易处理 ,算例证明了该算法的有效性。     

A Software Risk Analysis Model Using Bayesian Belief Network

1 Introduction Both softwaredevelopingtechnologiesand tools are making rapid progressin recentyears,but many software faileddue to projectschedule delay,cost overspend,or unsatisfie.dAccording toa reportdeliv- ered by StandishGroup in 2004 ,18% of thesoft…     

期权价格的拟Monte Carlo仿真计算

首先介绍了利用Monte Carlo仿真求解期权价格的原理和方法,然后提出在现有MonteCarlo仿真的基础上利用超均匀随机序列Halton序列来改进现有Monte Carlo仿真的拟MonteCarlo仿真,给出了Halton超均匀随机序列生成规则和Moro算法,最后给出了三种Monte Carlo方法的比较.     

基于改进贝叶斯的重型数控机床可靠性研究

重型数控机床在机械加工领域占据重要地位,因此提高其可靠性以及加工精度,对我国工业发展有重要意义。重型数控机床具有结构复杂、故障溯源困难、样本少、数据不足等缺点,因此对其进行可靠性研究比较困难。针对这一问题,采用双参数的威布尔分布建立机床的可靠性模型,引入贝叶斯理论对其进行参数估计,并通过马尔科夫链蒙特卡洛方法(MCMC)计算参数估计结果。对贝叶斯参数估计法中的待估参数进一步分析,得到多层次的贝叶斯模型,并通过参数仿真实验分析其准确性。采用标准均方根误差值及置信区间宽度进行模型优劣的对比,结果表明,改进后的贝叶斯方法参数估计结果精度更优,更有利于建立机床可靠性模型。     

全局自适应拟Monte Carlo技术在数字期权中的运用

运用优化分层Monte Carlo模拟和比例分层Monte Carlo模拟两种方法计算数字期权的Δ值,结果表明优化分层Monte Carlo模拟计算的效果优于比例分层Monte Carlo模拟。针对优化分层Monte Carlo不能有效地配置模拟样本点资源以及计算速度较慢的缺点,采用全局自适应拟Monte Carlo模拟方法计算数字期权的Δ值,并对优化分层Monte Carlo模拟方法和全局自适应拟Monte Carlo模拟方法的计算结果进行比较。结果表明,在期权定价方面,全局自适应拟Monte Carlo模拟方法比优化分层Monte Carlo的计算精度和效率更高、计算方差和误差更小。     

客户购买行为的双变量多层贝叶斯预测模型研究

现有客户购买行为预测模型无法兼顾购买行为随机性、异质性及变量相关性的特征.单变量多层贝叶斯统计模型虽然解决了随机性、异质性问题,然而仍然忽略客户购买间隔与购买金额之间的相关性.双变量多层贝叶斯模型假设客户购买间隔和金额服从联合对数正态分布,借助"正态-Wishart"共轭先验分布族对后验近似标准分布进行推导,利用马尔科夫链蒙特卡洛模拟方法中的吉布斯抽样和梅托普利斯海斯丁算法估计参数.模型不仅满足变量相关性特点,提高了客户购买行为预测的准确性,正态性假设还能对客户购买行为的波动性进行预测.对一高分子企业进行实证研究,并进一步针对模拟次数和统计变量数量进行参数优化,结果证明其适用性与准确性都优于传统预测方法.