排序方式: 共有18条查询结果,搜索用时 0 毫秒
1.
并行的贝叶斯网络参数学习算法 总被引:2,自引:0,他引:2
针对大样本条件下EM算法学习贝叶斯网络参数的计算问题,提出一种并行EM算法(Parallel EM,PL-EM)提高大样本条件下复杂贝叶斯网络参数学习的速度.PL-EM算法在E步并行计算隐变量的后验概率和期望充分统计因子;在M步,利用贝叶斯网络的条件独立性和完整数据集下的似然函数可分解性,并行计算各个局部似然函数.实验结果表明PL-EM为解决大样本条件下贝叶斯网络参数学习提供了一种有效的方法. 相似文献
2.
将多Agent影响图(MAIDs)在时间上进行扩展,提出一种决策模型:多Agent动态影响图(MADIDs),用于表示动态环境中多Agent协作的结构关系.为了有效计算MADIDs的概率分布,以Agents之间的策略偏序关系为指导,给出概率分布的一种分解近似方法,进而讨论概率分布在推理中的近似.对MADIDs概率分布计算的复杂性、误差以及误差在时间上的传播进行分析,进而基于KL差分,给出一个可对近似分布的精度和复杂性进行均衡的函数.最后,针对一个表示协作关系的MADID模型,进行实验和算法比较,实验结果显示该概率分布近似方法的有效性. 相似文献
3.
一种面向高维数据的均分式Lasso特征选择方法 总被引:1,自引:0,他引:1
Lasso是一种基于一范式的特征选择方法。与已有的特征选择方法相比较,Lasso不仅能够准确地选择出与类标签强相关的变量,同时还具有特征选择的稳定性,因而成为人们研究的一个热点。但是,Lasso方法与其他特征选择方法一样,在高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟和)。为解决此问题,提出一种改进的Lasso方法:均分式Lasso方法。均分式Lasso方法将特征集均分成K份,对每份特征子集进行特征选择,将每份所选的特征进行合并,再进行一次特征选择。实验表明,均分式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法。 相似文献
4.
俞奎 《数字社区&智能家居》2008,(10):255-256
本文针对该课程特点及教学中存在的问题,提出了一种以“案例导学”为指导,以“教师引导,学生合作学习”软件体系结构教学模式。实践证明,该模式有利于调动学生的学习积极性,能帮助学生在有限的学时内较快掌握该门课程,迅速培养和提高学生实际的动手能力。 相似文献
5.
目前基于节点排序的贝叶斯网络分类器忽略了节点序列中已选变量和类标签之间的信息,导致分类器的准确率很难进一步提高。针对这个问题,提出了一种简单高效的贝叶斯网络分类器的学习算法:L1正则化的贝叶斯网络分类器(L1-BNC)。通过调整Lasso方法中的约束值,充分利用回归残差的信息,结合点序列中已选变量和类标签的信息,形成一条优秀的有序变量拓扑序列(L1正则化路径);基于该序列,利用K2算法生成优良的贝叶斯网络分类器。实验表明,L1-BNC在分类精度上优于已有的贝叶斯网络分类器。L1-BNC也与SVM,KNN和J48分类算法进行了比较,在大部分数据集上,L1-BNC优于这些算法。 相似文献
6.
7.
LWF链图结构学习旨在发现链图中所有节点的父节点、子节点、邻居节点以及配偶节点.然而,目前最新的LWF链图结构学习算法是基于Growing-Shrinking(GS)思想得到节点的局部结构(即节点的马尔科夫毯)来学习全局网络结构,该类算法的条件独立测试是以整个马尔科夫毯为条件集的,为了保证条件独立测试的可靠性,算法要求样本数量是马尔科夫毯大小的指数级,从而使得算法的数据效率较差.针对该问题,本文提出了一种基于约束的局部-全局LWF链图结构学习算法.该算法通过迭代的学习邻接集和配偶集来降低对数据样本量的要求;与此同时,在学习邻接集时采用后向策略保障了条件独立测试的正确性.算法的基本思想如下:首先学习网络中每个节点的马尔科夫毯,将节点马尔科夫毯学习拆分为学习邻接集和学习配偶集;然后利用节点的马尔科夫毯信息恢复网络骨架,根据链图复合体有向边的特点,利用条件独立测试确定网络复合体有向边,从而恢复链图结构.理论分析证明了该算法的正确性,在仿真数据集和标准数据集上的实验测试验证了算法的有效性. 相似文献
8.
通过正交试验设计探讨了水泥石弹性模量与石英粉、石英砂掺量以及水灰比之间的关系.试验结果表明:随着石英砂掺量的增加,水泥石的弹性模量有了很大的提高,最高达到了56 GPa;同时,石英粉的掺量变化与水灰比的不同也会对试验结果产生一定的影响.这是由于石英砂的增加,促进了水泥的水化,形成了结晶核心,同时起到密实填充作用.此次试验对于提高陶粒混凝土弹性模量具有参考价值. 相似文献
9.
部分可观察马尔可夫决策过程在策略空间和状态空间上的计算复杂性,使求解其一个最优策略成为NP-hard难题.为此,提出一种动态影响图模型来建模不确定环境下的Agent动态决策问题.动态影响图模型以有向无环图表示系统变量之间的复杂关系.首先,动态影响图利用动态贝叶斯网络表示转移模型和观察模型以简化系统的状态空间;其次,效用函数以效用结点的形式清晰地表示出来,从而简化系统效用函数的表示;最后,通过决策结点表示系统的行为来简化系统的策略空间.通过实例从3个方面和POMDP模型进行了比较,研究的结果表明,动态影响图模型为大型的POMDP问题提供了一种简明的表示方式,最后在Robocup环境初步验证了该模型. 相似文献
10.
股市趋势预测是机器学习领域中一个具有挑战性的任务。由于一些因素对于股市的影响是动态且不确定的,导致股市趋势难以预测。针对已有方法在股市预测时存在的灵敏性差、适应力弱等问题,从快变量和慢变量的传动关系出发,利用Agent技术对股市中的快周期和慢周期进行联合建模,提出一种多Agent传动影响图(MATID)股市趋势预测方法。给出股市中快周期和慢周期的划分标准,并引入周期能量的概念;通过对相关趋势指标的特征融合,给出周期能量的量化计算方法;通过分析快周期和慢周期的动态作用过程,给出传动因子的表示方法;将快周期和慢周期分别对应成不同的Agent,利用多Agent影响图模型建模快周期和慢周期的传动过程;利用股市振子模型表示快Agent和慢Agent之间的传动效用,利用联合树的自动推理技术对股市趋势进行预测。在不同样本数量和不同股市趋势下进行实验,结果表明,与门控循环单元、S-LSTM和Hybrid-RNN预测方法相比,MATID方法预测精确率提升1.5%~7.0%,召回率提升5.4%~6.7%,F1值提升3.7%~6.2%,具有良好的灵敏性和适应力。 相似文献