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。     

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.     

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.     

基于进化计算的贝叶斯网络结构复合学习算法

提出一种贝叶斯网络结构复合学习算法.该算法将EM算法、蒙特卡罗抽样算法、进化算法结合起来,用EM算法、蒙特卡罗抽样算法将不完整的数据集转换成完备的数据集,再利用进化算法进化网络结构.这种算法能够克服EM算法容易陷入局部最大值的缺陷,对于缺省数据处理是基于后验网络的,网络结构随进化计算不断优化,得到的补充数据可信度比较高,网络学习效率高、运算性能好.     

一种基于规则库的贝叶斯网络开发器的设计与实现

贝叶斯网络作为不确定性知识表达和推理的一种方法在很多领域都有着广泛的应用，作者在文中提出了一种根据许多专家提供的规则库进行贝叶斯网络结构学习的新算法，并且通过严密的推理对以往的CPT学习算法进行了一些有意义的改进，进而形成了一个较为完备的贝叶斯网络学习。     

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．     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算,极大地影响了算法的可靠性、健壮性以及精确度,同时高维计算也耗费了大量时间,为了解决这个问题,提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明,本算法在效率上优于现有算法,实验结果也表明,对于高维相对小采样数据集,本算法在精度上也优于大多数算法。     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

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。     

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.     

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。     

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 .     

贝叶斯属性攻击图网络脆弱性评估

为了准确全面地评估计算机网络脆弱性,对攻击图中存在的攻击环路、状态爆炸、难以量化分析等问题进行了研究,提出了属性攻击图向贝叶斯网络转化的方法和新的环路消除算法,并利用这2个算法建立贝叶斯属性攻击图模型。在该模型中,利用贝叶斯公式进行推导,得到评估指标的计算公式。利用通用漏洞评分系统数据计算节点的发生概率和评估指标,进行计算机网络脆弱性评估。通过进行实验分析,证明了该模型的可行性和有效性。与其他的脆弱性评估方法相比,该模型具有评估准确、计算简洁、动态量化评估的特点。     

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。     

基于贝叶斯理论的复杂系统快速诊断算法

针对系统结构复杂、维修保障难度大,多具有不确定性(不完整性)信息、多故障和关联故障等特点,融合贝叶斯理论和策略优化算法的优势,提出一种混合快速诊断算法.将诊断任务分解成若干单故障子任务,对子任务用故障树和贝叶斯网络分别建模,根据贝叶斯-蒙特卡洛算法获得先验概率,进行诊断推理分析,获得系统故障薄弱环节,同时运用综合策略优化算法,对故障原因进行诊断策略优化,以实现快速诊断为目的.以电控发动机复杂系统为例,对混合快速诊断算法进行应用研究,验证了该算法的正确性和有效性.