基于预测关系的贝叶斯网络学习算法

在介绍有代表性的贝叶斯网络结构学习算法基础上,给出了变量之间预测能力的概念及估计方法,并证明了预测能力就是预测正确率,在此基础上建立了基于变量之间预测关系的贝叶斯网络结构学习方法,并使用模拟数据进行了对比实验,实验结果显示该算法能够有效地进行贝叶斯网络结构学习。     

具有丢失数据的贝叶斯网络结构学习研究

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbs sampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gi     

一种改进的贝叶斯网络结构学习分类模型及应用

贝叶斯网络结构的构建是贝叶斯网络分类的重点,有效的贝叶斯网络结构学习算法是构建贝叶斯网络的核心。改进的贝叶斯网络结构学习算法使用交叉熵来确定弧的方向,用最小切割集来对有向图进行调整,并且加入环路检验以保证图中不会出现回路。将算法应用到质量管理中,用实际的数据集进行实验,并与现有算法进行对比,结果表明该算法是行之有效的,且具有较高的精确性。     

面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN（Particle Swarm for Bayesian Network）。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。     

基于互信息学习贝叶斯网络等价类*

由数据构造贝叶斯网络结构是NP-难问题,根据互信息和条件独立测试,提出了一种构建最优贝叶斯网络结构的新算法。数值实验表明,新算法能较快地确定出与数据匹配程度最高的网络结构,从而能更高效地学习贝叶斯网络结构。     

贝叶斯网络结构模型的构建

贝叶斯网络结构是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的表示模型,它描述了数据项及其依赖关系,并根据各个变量之间概率关系建立图论模型,但是如何获取具有丢失数据的网络结构是一个急需解决的问题.本文提出一个基于Kullback-Leibler(KL)散度的贝叶斯网络结构学习的KLBN(Kullback-Leibler Bayesian Network)算法.实验结果表明,KLBN算法在可靠性方面明显优于传统的具有丢失数据的贝叶斯网络结构学习算法.     

基于混合差分蜂群算法的贝叶斯网络结构学习

贝叶斯网络的结构学习是贝叶斯网络理论模型的核心,而现有的贝叶斯网络结构学习算法一般存在效率偏低的问题.针对此问题,文中提出基于混合差分蜂群算法的贝叶斯网络结构学习算法.该算法首先利用最大生成树准则得到初始种群,然后利用差分进化算法中的交叉、变异规则优化初始种群.在使用差分进化算法的过程中,分别将蜂群算法应用于变异阶段和优化改进交叉阶段,并且将云自适应理论应用于选择阶段选择生成个体.在经典贝叶斯网络上的仿真实验证明,文中算法在贝叶斯网络结构学习中具有较强的寻优能力.     

基于人工蜂群算法的贝叶斯网络结构学习

从数据集中学习贝叶斯网络结构是一个NP难问题。针对此问题提出基于遗传算子的人工蜂群算法。首先,将贝叶斯网络结构映射为一种二进制编码;其次,根据贝叶斯网络的结构特点,设计了蜜源的更新策略,从而将学习贝叶斯网络结构的过程转化为蜂群寻找最优蜜源的过程。实验结果表明,该算法应用于贝叶斯网络结构学习中的有效性。     

基于频繁项挖掘的贝叶斯网络结构学习算法BNSL-FIM

贝叶斯网络能够表示不确定知识并进行推理计算表达,但由于实际样本数据存在噪声和大小限制以及网络空间搜索的复杂性,贝叶斯网络结构学习始终会存在一定的误差。为了提高贝叶斯网络结构学习的准确度,提出了以最大频繁项集和关联规则分析结果为先验知识的贝叶斯网络结构学习算法BNSL-FIM 。首先从数据中挖掘出最大频繁项集并对该项集进行结构学习,之后使用关联规则分析结果对其进行校正,从而确定基于频繁项挖掘和关联规则分析的先验知识。然后提出一种融合先验知识的BDeu评分算法进行贝叶斯网络结构学习。最后在6个公开标准的数据集上开展了实验,并对比引入先验/不引入先验的结构与原始网络结构的汉明距离,结果表明所提算法与未引入先验的BDeu评分算法相比显著提高了贝叶斯网络结构学习的准确度。     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

基于贝叶斯网络的软件项目风险分析过程

论文提出了一种基于贝叶斯网络的软件项目风险分析过程。随着软件项目的进行,该风险分析过程能够利用不断更新的项目数据持续地预测潜在风险,并以此确定风险源并采取适当的应对措施降低风险发生概率。经实践检验,在软件开发的风险分析过程中引入贝叶斯网络技术能够有效地对风险进行管理,提高软件开发的成功率。     

基于贝叶斯网络的软件项目风险评估模型

针对软件项目面临失败风险的问题,提出一种新的软件风险评估模型,采用贝叶斯网络推理风险发生的概率,用模糊语言评估风险后果与损失的方法。实践证明,通过应用基于贝叶斯网络的软件风险评估模型,加强了软件企业风险管理的意识,降低了失败风险发生的概率,提高了软件开发的成功率。     

软件项目投资风险评价过程建模研究

提出了一种基于贝叶斯网络的软件项目投资风险评价模型。在建模过程中以样本数据集为基础进行贝叶斯网络参数学习,从而在软件项目的投资阶段建立更加符合实际项目特征的贝叶斯网络。同时,从算法精度以及算法收敛性这两个方面验证该参数学习过程的有效性。经实践检验,在软件项目投资过程中该风险评价模型能够向决策者提供准确的投资风险信息。     

基于贝叶斯网络的软件项目风险管理模型

提出了一种基于贝叶斯网络的软件项目风险管理模型。随着软件项目的进行，该风险管理模型能够利用不断更新的项目数据持续地预测潜在风险，确定风险源并采取适当的应对措施降低风险发生概率。经实践检验，在软件开发过程中引入该风险管理模型能够有效地对风险进行管理，提高软件开发的成功率。     

一种基于贝叶斯网络的软件项目风险管理方法

提出一种新的软件项目风险管理方法,采用贝叶斯网络同时对风险发生概率和风险影响进行推理.该风险管理方法能够随着软件项目的进行持续地评估潜在风险,并采取适当的措施应对风险.实践证明,在软件开发过程中引入该风险管理方法能够有效地对风险进行管理,提高软件开发的成功率.     

一种改进的软件项目开发风险管理模型

该文提出了一种改进的软件项目开发风险管理模型。该模型在贝叶斯网络的建模过程中以样本数据集为基础进行结构学习和参数学习,建立更符合实际软件项目特征的贝叶斯网络。同时,进一步完善了软件项目开发风险管理流程,并利用贝叶斯网络的信念更新过程实现动态软件项目风险管理。经实践检验,该改进模型能够更有效地对软件项目开发过程中的风险进行管理,提高软件开发的成功率。     

贝叶斯缺陷分析模型及其在软件测试中的应用

针对面向对象软件提出了一种以贝叶斯网络理论为基础的软件缺陷分析模型，通过分析系统中存在缺陷对象之间的影响关系构建贝叶斯网络模型，利用已有的经验数据评估贝叶斯网络模型中各节点的缺陷概率分布，并与软件测试过程相结合，直接从测试设计级别为测试人员提供相关决策支持。将该模型应用到实际的项目中，取得了较好的效果。     

贝叶斯网络在软件项目风险评估中的应用

在软件项目生存周期早期或创新型项目的研发过程中,可用的案例数据很少或很不完整,项目风险多由专家经验进行主观评估,给风险的客观度量带来了很大的困难。提出了一种基于贝叶斯网络的软件项目风险评估方法,不仅可度量风险影响程度的风险当量,还能度量出多种风险对某种风险后果的组合影响以及单个风险对整体后果的综合影响,从而增强了软件项目风险的预测和应变能力,为有效地降低风险发生概率、提高软件开发成功率提供了一种新的途径。     

Enhancing ontology-based antipattern detection using Bayesian networks

Antipatterns provide information on commonly occurring solutions to problems that generate negative consequences. The antipattern ontology has been recently proposed as a knowledge base for SPARSE, an intelligent system that can detect the antipatterns that exist in a software project. However, apart from the plethora of antipatterns that are inherently informal and imprecise, the information used in the antipattern ontology itself is many times imprecise or vaguely defined. For example, the certainty in which a cause, symptom or consequence of an antipattern exists in a software project. Taking into account probabilistic information would yield more realistic, intelligent and effective ontology-based applications to support the technology of antipatterns. However, ontologies are not capable of representing uncertainty and the effective detection of antipatterns taking into account the uncertainty that exists in software project antipatterns still remains an open issue. Bayesian Networks (BNs) have been previously used in order to measure, illustrate and handle antipattern uncertainty in mathematical terms. In this paper, we explore the ways in which the antipattern ontology can be enhanced using Bayesian networks in order to reinforce the existing ontology-based detection process. This approach allows software developers to quantify the existence of an antipattern using Bayesian networks, based on probabilistic knowledge contained in the antipattern ontology regarding relationships of antipatterns through their causes, symptoms and consequences. The framework is exemplified using a Bayesian network model of 13 antipattern attributes, which is constructed using BNTab, a plug-in developed for the Protege ontology editor that generates BNs based on ontological information.     

贝叶斯网在软件项目管理中的应用

为了提高软件项目管理水平,针对软件项目过程的不确定性,利用其进展过程中层次关系所蕴含的条件独立性,提出了一种层次结构的贝叶斯推理网络模型并给出了相关的学习算法和推理步骤.该模型可以在专家给出状态间关联度的情况下,计算出条件概率.该模型揭示了项目状态间的关联关系,有助于项目管理中的风险分析和预测.最后通过一个具体事例,说明了该网络在项目状态预测和缺陷原因的界定的应用.