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。     

基于贝叶斯网络的轻度认知障碍诊断系统

提出一种基于依赖性分析和打分函数进行贝叶斯网络结构学习的新方法,并把该方法应用于轻度认知障碍诊断系统中。该算法首先通过对结点变量间的依赖性分析测试和无向图的遍历,获得贝叶斯网络结构中所有结点的先验顺序,然后用启发式打分-搜索方法获得最优的贝叶斯网络结构。实验结果表明,该算法能够在不增加算法复杂度的情况下,完成无结点顺序要求的贝叶斯网络学习,并能应用于轻度认知障碍诊断系统中,实现较好的预测,进而辅助医生的诊断。     

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。     

数据库信息分类中贝叶斯网络模型的应用

数据库信息分类中 ,朴素贝叶斯分类模型是一种简单而有效的分类方法 ,但它的属性独立性假设使其无法表达属性变量间存在的依赖关系 ,影响了它的分类性能 .而一般贝叶斯网络模型则由于能表达属性变量之间的依赖关系而越来越受到人们的重视 ,但一般贝叶斯网络分类模型结构的学习算法是一个NP完全问题 .本研究在一种简化的贝叶斯网络分类模型的基础上 ,利用其多项式时间复杂度的结构学习算法 ,将其应用于数据库信息分类 ,实现了学习效率和分类精度的一种折衷 .实验结果表明 ,这种分类方法有着比较高的数据库信息文本检索性能 .     

贝叶斯优化算法在多目标优化问题中的应用

贝叶斯优化算法是近年来在进化算法领域兴起的一种新兴算法,用贝叶斯网络概率模型来显式地反映变量之间的依赖关系及可行解的分布,更符合实际问题的本质,在众多领域获得应用。针对多目标优化问题,在Pareto优化概念的基础上,用非占先排序及拥挤距离的方法来选择群体,形成解决多目标优化算法的Pareto贝叶斯优化算法,实验结果表明,Pareto贝叶斯优化算法要优于经典多目标优化算法NSGA-II。     

基于集成贝叶斯分类器的暂态稳定评估方法研究

朴素贝叶斯分类器是目前公认的一种简单有效的概率分类方法,具有简单、健壮而且高效的特点,但由于它是建立在属性变量相对类变量独立的假设前提下,而且这个假设在实际问题中往往不能满足,从而影响了其分类精度。针对这个很强的前提假设,提出了基于灰色关联聚类的特征选择方法,在一定程度上放松了这个限制条件;以朴素贝叶斯分类器作为基分类器,采用分类器集成技术中的AdaBoost算法进一步提高分类性能。通过对新英格兰10机39节点系统的仿真计算,结果表明了方法的有效性和正确性。     

基于贝叶斯网络的土石坝可靠性分析

提出采用贝叶斯网络方法来分析大坝的可靠性问题.首先简要地介绍了贝叶斯网络方法的基本原理和建模方法,将贝叶斯网络方法和故障树方法进行了比较,并给出了故障树向贝叶斯网络转化的基本步骤.定义了贝叶斯网络中节点的重要度因子,并给出了相应的计算公式.最后以土石坝为例,根据土石坝的失效机理建立了土石坝可靠性分析的贝叶斯网络模型,并对溃坝原因进行了重要度分析.结果表明,贝叶斯网络能够有效地进行大坝可靠性分析,它能够更直观地表示大坝失事的因果关系,且贝叶斯网络能够方便地解决共因失效问题.故障树可以方便地转化为相应的贝叶斯网络模型.贝叶斯网络节点的重要度分析结果为制定有效的大坝失事概率控制措施提供了理论依据.     

贝叶斯分类的概念相似度算法

本体映射是本体异构的主要解决方法,而概念相似度计算则是本体映射的关键.针对目前概念相似度算法缺少语境信息的问题,提出了一种基于贝叶斯分类的概念相似度算法.该方法利用概念注释、借助语义词典Wordnet对概念扩充,利用贝叶斯分类技术确定相似概念,在一定程度上提高了相似度计算的准确率.实验表明该方法是切实可行的.     

带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计

对响应变量带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计问题进行了研究.缺失数据机制通过logistic回归模型来指定,模型参数和缺失数据机制参数的联合贝叶斯估计通过运用MH算法及Gibbs抽样获得,并用数值计算阐明上述方法的可行性.     

数据库信息分类中贝叶斯网络模型的应用

数据库信息分类中，朴素贝叶斯分类模型是一种简单而有效的分类方法，但它的属性独立性假设使其无法表达属性变量间存在的依赖关系，影响了它的分类性能．而一般贝叶斯网络模型则由于能表达属性变量之间的依赖关系而越来越受到人们的重视，但一般贝叶斯网络分类模型结构的学习算法是一个NP完全问题．本研究在一种简化的贝叶斯网络分类模型的基础上，利用其多项式时间复杂度的结构学习算法，将其应用于数据库信息分类，实现了学习效率和分类精度的一种折衷．实验结果表明，这种分类方法有着比较高的数据库信息文本检索性能。     

基于T分布变分贝叶斯滤波的SINS/GPS组合导航

为了解决组合导航中由于野值存在而导致传统滤波算法性能下降的问题,针对SINS/GPS组合导航系统模型提出基于T分布的变分贝叶斯高斯滤波算法,充分考虑野值所导致的噪声厚尾特性,将观测噪声建模为T分布.对系统状态和自举变量进行估计,并且在每个滤波时刻借助变分贝叶斯学习对状态估计进行迭代,以逼近真实后验分布.针对噪声存在野值的场景进行仿真验证,结果表明,在SINS/GPS组合导航系统中,当噪声存在野值时,基于T分布的变分贝叶斯组合导航滤波方法具有一定的鲁棒性,并且精度优于传统组合导航滤波方法.     

贝叶斯模型在垃圾文本分类中的应用研究

为完成在邮件服务器内部过滤垃圾邮件的任务,参考经典贝叶斯模型,研究有自动调节能力的模型算法。以实验室样本邮件为目标,定义过滤器算法模型,并对系统环境变量设置进行讨论[5],最后对测试邮件文件进行加工,证明了模型设计的合理性。     

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.     

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。     

基于核方法的贝叶斯邮件分类网络研究

提出一种包含核函数的Bayesian参数估计方法,提高了Bayesian参数估计的实用性。结合邮件内容和报文格式两个方面分析和提取邮件的重要特征,建立了对应的Bayesian邮件分类网络。将包含核函数的Bayesian参数估计方法应用到邮件分类网络,在对不同邮件测试集的在线学习试验结果证明,这种新的分类模型能够有效地实现垃圾邮件的分类过滤。     

动态网络中的高效多故障诊断技术

针对已有算法复杂度较高,不适用于规模较大网络的问题,将被管系统建立成动态贝叶斯模型,并提出一种能处理多故障的近似推理算法. 通过复杂度分析,证明该近似算法时间复杂度为多项式级,远远低于精确算法的时间复杂度下限,可以用于解决大规模动态网络的故障诊断问题. 实验结果证明,新算法在准确度方面虽然略低于精确算法,但执行效率上远远高于精确算法.     

PET贝叶斯神经网络重建算法

从ML—EM重建算法入手，分析了贝叶斯模型的一些关键点，针对采用传统方法求解MAP问题的局限性，提出一种用于正电子成像的贝叶斯神经网络(BNN)重建算法，为了保留边缘信息，引入了二进制的保边缘变量，并应用共轭神经网络求解，模拟的重建结果表明，应用这种算法可以得到比ML—EM算法更好的重建图像。