基于蚁群优化的DBN转移网络结构学习算法

针对动态贝叶斯转移网络的特点,以I-ACO-B为基础,提出基于蚁群优化的分步构建转移网络的结构学习算法ACO-DBN-2S。算法将转移网络的结构学习分为时间片之间和时间片内2个步骤进行,通过改进隔代优化策略,减少无效优化次数。标准数据集下的大量实验结果证明,该算法能更有效地处理大规模数据,学习精度和速度有较大改进。     

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.     

一种基于独立性测试和蚁群优化的贝叶斯网学习算法

针对ACO-B蚁群算法学习贝叶斯网结构的不足, 提出了一种基于独立性测试和蚁群优化的改进算法. 新算法首先利用0阶独立性测试来限制侯选结构的搜索空间, 避免了蚁群的一些不必要的搜索, 然后融合解的全局评分增益和节点间局部的互信息, 给出了启发能力更强的启发函数来引导随机搜索. 实验结果表明, 新算法能够更有效地处理大规模数据, 且学习速度有较大改进.     

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.     

数字水准仪与全站仪精度评定的实验分析

在现阶段的水准测量中,数字水准仪和全站仪已逐步得到普及和运用。文中就数字水准仪和全站仪在高程测量中影响其精度的主要因素进行分析,并使用DL-102C型数字水准仪和索佳SET-1030R型全站仪进行现场实验,确定其精度等级,为正确合理的使用数字水准仪和全站仪提供参考。     

一种混合的贝叶斯网结构学习算法

贝叶斯网是人工智能中一个重要的理论模型,也是现实世界中不确定性问题建模的重要工具.针对贝叶斯网的结构学习问题,提出了一种将约束满足、蚁群优化和模拟退火策略相结合的混合算法.新算法首先利用阈值自调整的条件测试来动态地压缩搜索空间,在加速搜索过程的同时保证学习的求解质量;然后在基于MDL的蚁群随机搜索中引入模拟退火的优化调节机制,改进了算法的优化效率.实验结果验证了所提策略的有效性,与最新的同类算法相比,新算法在保持较快收敛速度的前提下具有更好的求解质量.