一种通用智能学习环境模型的构建

智能学习环境的研究已有十年的历史,但主要是从建构主义学习理论出发就某一特定学习课程或内容构建一个具体的智能学习环境,或者就智能学习环境的某一方面进行探讨。在教学改革突飞猛进的时代,从可扩展性的角度建立一个通用的智能学习环境,对于加快智能学习环境的开发和应用具有十分重要的意义。本文基于智能学习环境综合理论,分析了智能学习环境的设计理念和主要功能,并由此构建了一种通用智能学习环境模型。     

一种基于云模型的贝叶斯网络EM参数学习算法

针对贝叶斯网络连续节点离散化后,概念知识表达存在模糊性和随机性的问题,提出一种将云模型与EM(Expectations Maximization)算法相结合的贝叶斯网络参数学习算法。首先运用启发式高斯云变换算法(Heuristic Gaussian Cloud Transformation)和云发生器将连续节点定量样本转换成定性概念,并记录下样本对所属概念的确定度,运用确定度概率转换公式将确定度转换成相应概率;随后复制扩充样本并按概率选择所属概念;样本更新后结合EM算法进行参数优化,实现贝叶斯网络的参数学习。仿真实验结果表明,通过云模型表征概念得到的参数学习结果更加符合实际情况,参数学习精度和网络推理准确性得到了提高。     

一种基于贝叶斯网络的模型诊断方法

提出一种结合贝叶斯网络进行基于模型诊断的方法.在基于模型诊断的基础上,建立了元件状态模型,并将诊断模型转换为贝叶斯网络,利用团树算法求解征兆产生时系统状态的后验概率,再通过计算边缘分布获得元件故障概率.最后给出一个数字故障电路的实例,在Matlab上进行推理,得到了精确的概率值,验证了该方法的有效性.     

智能学习系统学生模型的设计

为了客观的评价学生的认知能力,提高整个智能学习系统的智能性,提出了一种采用模糊综合评判和贝叶斯网结合的方法构造学生模型.以离散数学课程为背景,以学生的各个知识点成绩作为学生的行为数据,通过模糊综合评判法将其量化为学生对知识点的掌握情况,将量化结果作为贝叶斯网的输入节点,对学生的下一步行为进行了推理.实验结果表明了该算法的有效性,并得到了良好的效果.     

对一种贝叶斯网络学习算法的改进及试验分析

贝叶斯网络是上世纪80年代发展起来的一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。然而由于贝叶斯网络的推理和贝叶斯网络的学习问题都是NP难的,其实际应用受到很大限制。贝叶斯网络推理是利用它进行决策、诊断、分类、预测等应用的基础,其本质任务是计算边缘概率分布。当网络比较复杂时,推理将变得不可行。多模块的贝叶斯网络(MSBN)从简化模型本身出发,对贝叶斯网络进行了扩展。我们则提出了一种用于MSBN中的近似推理算法,这些都大大拓宽了贝叶斯网络的应用领域。     

贝叶斯网络模型概述

文章对贝叶斯网络分类模型进行了形式化的描述,重点介绍了构造贝叶斯网的三种不同的方式,最后总结了贝叶斯网络的优点.     

基于贝叶斯网络的学生模型在测试系统的应用研究

在网络课程及虚拟课堂中,在线测试是一个重要组成部分。本文对贝叶斯网络及其概率推理进行了简述,提出了基于贝叶斯网络的学生模型,并将其应用于自适应在线测试系统中。该系统不仅能够因人施测,而且具有预测能力,同时还可以排除学生猜对试题答案的非真实能力。     

贝叶斯网络在学生模型建模中的应用分析

将课程教学资源融合到学生模型构建中,描述了包括领域知识拓扑结构的建立、条件概率表学习算法的推理的详细过程,最终得到了学生模型中关于章节知识项的贝叶斯网络结构图,并通过一个实验系统对个性化教学系统中学生模型建构的整个框架的可行性进行了验证.     

贝叶斯学习,贝叶斯网络与数据采掘

自从50～60年代贝叶斯学派形成后,关于贝叶斯分析的研究久盛不衰。早在80年代,贝叶斯网络就成功地应用于专家系统,成为表示不确定性专家知识和推理的一种流行方法。90年代以来,贝叶斯学习一直是机器学习研究的重要方向。由于概率统计与数据采掘的     

一种基于小世界网络和贝叶斯网络的混合推荐模型

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成了一种混合推荐模型.该混合模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户结点间的关系,贝叶斯网络用于描述商品层内商品-商品结点,以及层间用户-商品结点间的偏好关系.对小世界网络的用户聚类方法、贝叶斯网络结构和参数学习方法、以及两层混合模型的推荐算法进行了描述,实验表明,该模型能够很好地表示用户-用户、商品-商品、以及用户-商品间的关系,推荐结果具有良好的准确度.     

A Structure Learning Algorithm for Bayesian Network Using Prior Knowledge

Learning structure from data is one of the most important fundamental tasks of Bayesian network research. Particularly, learning optional structure of Bayesian network is a non-deterministic polynomial...     

贝叶斯网络结构学习的发展与展望

从最初的概率贝叶斯网络构建阶段到涌现大量研究成果的因果贝叶斯网络结构学习阶段,本文完整地回顾了贝叶斯网络结构学习的整个发展历程,并对该领域当前存在的问题及相关研究进行分析论述,给出了研究展望.值得一提的是,贝叶斯网络结构学习正在成为因果数据挖掘的主流.     

一种基于预排序的贝叶斯网络结构学习算法

贝叶斯网络结构学习对贝叶斯网络解决实际问题至关重要.基于评分与搜索的方法是目前比较常用的结构学习方法,但该类方法中结构搜索空间的大小随结点个数增加而指数增长,因此一般采用启发式搜索策略,有些方法还需要结点次序.在基于结点次序的最大相关-最小冗余贪婪贝叶斯网络结构学习算法中,由于是随机产生初始结点的次序,这增大了结果的不确定性.本文提出一种生成优化结点初始次序的方法,在得到基本有序的结点初始次序后,再结合近邻交换算子进行迭代搜索,能够在较短的时间内得到更加正确的贝叶斯网络结构.实验结果表明了该方法的有效性.     

贝叶斯网络结构加速学习算法

结构学习是应用贝叶斯网络(BN)的基础。提出一种新的基于约束的学习类算法APC(Accelerated PC),它基于一系列局部结构的推导获得BN。APC不但继承了经典的PC(Peter & Clark)算法优先执行低阶条件独立(CI)测试的优点,而且能够从已执行的CI测试中推导相关拓扑信息,并利用其来挑选并优先执行更可能 d-分割 节点X和Y的候选CI测试。该策略可有效避免在搜索过程中执行无效的CI测试,例如APC算法在实验中较PC算法节省高达50%的计算量,同时实现了质量相同的学习效果。     

贝叶斯网在在线测试系统学生模型中的应用研究

文章基于贝叶斯网络理论,提出了知识覆盖型贝叶斯网学生模型。文章深入探讨了构建贝叶斯网学生模型的方法和途径,并实现了自适应选题算法和推荐引擎算法,使模型具有很强的推理能力。把模型用于在线测试中,能自适应选题,自动结束,结果除获得成绩外,还能诊断,并把测试中未掌握的知识项呈现出来。从而,为准确掌握学生的知识水平,为教学策略的调整和学生进一步学习提供了有力依据。实验表明该算法能高效快捷地将学生测试中未掌握好的知识项产生推荐集合。     

网格环境下基于Bayesian网络的信任模型研究

在开放的网格中,为不同管理域之间建立信任关系并以此实现他们之间的协同工作是当前网格所面临的一个主要安全问题。为了提高网格的安全性和可扩展性,论文提出了一个网格环境下基于Bayesian网络的分层信任模型,用以解决处于不同管理域的实体之间协同工作的安全问题。模型上层建立和维护具有不同安全策略管理域之间的推荐信任关系,下层负责处理管理者对域内实体的信任评估问题。同时考虑了影响实体之间直接信任值的不同因素,以及他们之间复杂的依赖关系,利用Bayesian网络和领域层次结构相结合的方法有效合理地将各方面因素整合起来,形成能够反映实体在不同方面的直接信任值。     

网络环境下大学生的自主学习模式探究

计算机网络的蓬勃发展为学生的自主学习提供了前所未有的技术支持,该文论述了网络环境下学生自主学习的内涵、理论依据及传统的教学模式存在许多弊端。随着数字化校园建设的飞速发展,网上自主学习就成了解决这些弊端的最有效的方法。并对网络环境下学生自主学习模式进行了初步的探讨。因为它有利于学生开展自主学习、合作学习和研究性学习,能实现教学评价的实时化,直接影响学生的全面发展。     

基于互信息的贝叶斯网络结构学习算法

贝叶斯网络结构学习是贝叶斯网络构建的核心,有效的结构学习算法是构建最优网络结构的基础。基于此,提出一种基于互信息的贝叶斯网络结构学习算法,该算法可以挖掘出数据集各属性中存在的隐含依赖关系,适时地对数据集进行降维操作,从而提高算法的效率,并可保证结果的准确性。实验结果表明,与常用的依赖分析算法SGS相比,在结果相似的情况下,该算法执行效率更高。     

数据缺失下学习贝叶斯网的SEM算法

针对SEM算法易收敛于局部最优的问题,提出一种改进SEM算法——DSEM-PACOB算法,采用PACOB算法提供的良好候选网络及合理的策略,估计节点变量缺失值,并使与待估节点变量紧密相关的若干节点变量直接参与估计。实验结果表明,与SEM算法相比,利用新算法获得的最终解的质量有所提高,且具有更好的稳定性。