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...     

房地产估价的贝叶斯判别法

本文在分析贝叶斯判别法的概念和作用的基础上,提出了将这一定量分析方法用于房地产估价的必要性,探讨了房地产估价的贝叶斯判别法的基础原理和操作步骤,并以武汉市某宗房地产价格评估为例进行了实际应用.     

贝叶斯网络杂交学习算法及其在中医中的应用

针对贪婪贝叶斯模式搜索算法(GBPS)在搜索最优贝叶斯网络结构时易陷入局部最优的不足，提出了一种改进的GBPS算法.在GBPS算法的邻域生成过程中引入了有向边的变向操作，并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响.将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系.结果表明，该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS).所发现的症状－辨证要素间的相关关系与中医专家经验吻合较好，可用于从中医诊断数据中自动获取中医专家知识.     

生成对抗网络用于视频去模糊

针对因拍摄设备抖动或目标运动而产生的视频模糊问题,提出了一种基于生成对抗网络和马尔可夫判别网络的新的视频去模糊方法。文中将基于像素空间的损失函数与基于特征空间的损失函数相结合,并依据马尔可夫判别网络设计了一种新的判别网络,促进了网络对图像纹理细节的学习,使得生成的清晰图像质量得到了显著提升。将文中方法与同类方法分别在测试集和真实数据上进行了定性定量的比较,实验结果表明,经文中方法去模糊后的图像具有更高的峰值信噪比和更丰富的细节信息。     

朴素贝叶斯应用于自动化测试用例生成

提出使用朴素贝叶斯作为核心算法来产生自动化测试用例的方法,将分类的思想引入到自动化测试用例的生成中.通过实验验证此生成测试用例方法的可行性.     

基于贝叶斯网络模型的在线学习行为分析

线上线下结合的教学模式是未来教学的一个趋势,每一个学生的学习行为会直接影响学习结果,因此研究学习者学习行为对学习成绩的影响程度是目前的研究重点。目前常见的评价模型存在可信程度较低、可解释性较弱等问题,本文使用基于证据推理的贝叶斯网络(Bayes Network, BN)能够有效地解决这一问题。把方法应用在学习行为分析上,与常用的机器模型和深度学习模型进行比较,表现出更低的误差和更强的可解释性。     

基于在线线性判别学习模型的垃圾邮件过滤方法

给出了一种使用在线线性判别学习模型进行垃圾邮件过滤的方法,使用贝叶斯理论进行特征提取,特征按出现的位置进行分类,不同类别的特征赋予不同的权重.在TREC测试集上进行了实验,并和TREC评测的结果进行了对比.实验结果表明,该方法取得了较好的结果.     

贝叶斯网络推理算法的研究和实现

针对桶消元推理算法提出并行计算的改进方案,并构建网络实验平台以用于研究中的理论验证及应用开发。实验表明,改进后的算法确实可以提高原算法的计算速度。     

面向垃圾邮件过滤的典型机器学习算法比较研究

基于机器学习的垃圾邮件过滤技术是当前垃圾邮件过滤的主流方法。机器学习模型主要分为两类：以朴素贝叶斯（NB）为代表的生成模型和以逻辑回归模型（LR）、支持向量机模型（SVM）为代表的判别学习模型。以往对两种模型的研究都是针对某一种语言进行,对于模型的语言独立性与相关性研究较少。因此,在中文数据集和英文数据集上比较典型的生产模型和判别学习模型的过滤性能。比较Bogo（Bogo系统是基于贝叶斯算法的,它是典型的生成模型）、逻辑回归模型和松弛在线支持向量机（两种典型的判别学习模型）在中英文数据集上的过滤性能。其中：实验是在公开英文数据集TREC05p-1、TREC06p和公开中文数据集TREC06c、SEWM2011上进行。实验结果显示基于判别模型垃圾邮件过滤器性能明显优于基于生成模型,并且相同的模型在中文数据集上显示了较好的效果。     

几何模式动态贝叶斯网络推理基因调控网络

针对趋势相关(两基因在其表达水平随时间上升与下降的变化趋势上相关)关系在重建基因调控网络中十分重要却尚未被挖掘利用的问题,提出了几何模式动态贝叶斯网络(Gp-DBN)方法．Gp-DBN将每个基因的表达数据转换为一个几何模式,依据几何模式确定潜在的调控子和调控时滞,并通过推理这些几何模式之间的相关关系来发现基因间的调控关系．该方法解决了挖掘具有趋势相关的基因调控关系的问题,能够很大程度地提高重建的基因调控网络的性能．对Yeast和 E. coli基因数据的实验结果表明无论是在无先验知识还是在有先验知识时Gp-DBN重建的基因调控网络的性能都比传统的动态贝叶斯网络方法有大幅度提高．     

基于贝叶斯网络的配电系统可靠性分析方法

提出了根据配电网的实际拓扑结构和元件对系统的影响关系直接建立贝叶斯网络以实现配电系统可靠性分析的方法。该方法的特点是不仅能进行配电网的可靠性指标评估,而且还能方便地得到系统每个元件或几个元件对整个系统可靠性的影响,从而克服了配电系统传统可靠性评估方法的不足。通过实例,阐述了应用贝叶斯网络方法进行配电系统可靠性评估的有效性和优越性。     

基于贝叶斯网络的自适应学生模型的研究

首先介绍了贝叶斯网络的基础理论,贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一。适用于不确定性和概率性的知识表达和推理。接着介绍了自适应学生模型的概念和理论,然后运用贝叶斯网络构建了一个自适应性学生模型,并对贝叶斯网络学生模型的知识表达方法进行了研究,最后举例说明这个理论的可行性。基于贝叶斯网络构建的适应性学生模型能够有效地提供适应性的网络教学资源,从而有助于实现网络教学平台的适应性学习。     

态势评估中的贝叶斯网络模型研究

针对战场态势评估的特点,采用模块化的贝叶斯网络模型对态势问题进行描述,动态构建贝叶斯网络结构．为了解决动态构建贝叶斯网络的推理问题,提出一种新的解决方法,将待连接贝叶斯网络模块的推理结果作为软证据,输入到已有网络对应的节点中,以代替所要连接的贝叶斯网络模块,在不改变贝叶斯网络结构的情况下完成网络的推理过程．仿真实验结果表明该方法是有效的．     

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.     

基于贝叶斯网络的多目标优化算法

针对多目标进化算法中存在的无效进化和计算浪费,本文探讨了基于贝叶斯网络的多目标进化算法,并提出一个新的贝叶斯多目标优化算法。该算法结合个体的强度值和密度值完成非劣择优,利用具有局部结构BD度量机制进行网络度量,采用树形模型构建网络结构。实验结果表明了该算法的有效性。     

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.     

基于力学贝叶斯网络的钢桁架安全评估

为了评估桁架结构的安全性能,采用力学贝叶斯网络表示桁架各单元间的逻辑关系. 提出根据力学分析建立网络拓扑,网络节点变量包括连续型的桁架结构各单元最大应力、离散型的下平纵梁状态及体系状态;通过条件概率描述节点间的逻辑关系强度,基于数值分析和抽样实现参数学习,建立力学贝叶斯网络;以一榀钢桁架模型的4个单元最大应力作为已知证据输入建立的贝叶斯网络,推理其余单元的最大应力以及体系状态概率. 研究结果表明：在监测单元最大应力已知的情况下,利用力学贝叶斯网络可以估计其余各单元的最大应力值,评估的所有单元应力与观测值间的决定系数 ${R^2}$=0.9992,表现出较强一致性. 与此同时,更靠近已知单元的估计结果更为精确,可以为监测点的选取提供参考. 此外,推理的桁架体系状态概率与观测数据一致,可以为桁架结构体系安全评定提供参考.     

基于贝叶斯理论的传感器网络节点故障检测方法

提出了运用贝叶斯理论进行传感器网络节点故障检测的方法,通过分析传感器网络中各节点的影响关系,利用贝叶斯理论对各节点的正常率进行估值计算,给出正常率计算的推导过程,通过实例验证了计算过程并与其他检测方法进行了比较分析.该方法计算简单、方便、快速,能估算检测用例数目、降低检测成本,为传感器网络节点故障的检测提供了支持.