基于改进MS-EM算法的贝叶斯网络学习法构建基因调控网络

基因调控网络的重构是功能基因组中最具挑战性的课题之一.实验证明构建基因调控网络的最有前途的方法是贝叶斯网络.EM算法是一种有效的利用数据来学习贝叶斯网络的方法,能较好地处理构建基因调控网络中的数据缺失情况,但存在学习精度低、对初始参数值依赖的缺点.本文应用贝叶斯网络实现啤酒酵母细胞基因调控网络的构建,用改进的MS-EM算法进行学习,并实现实验结果的可视化.与现有文献比较,结果表明改进后的算法进一步降低了时间性能,提高了构建调控网络的精度.     

基于贝叶斯网络的化学恐怖袭击后果评估方法研究

作为一种非常规形式的恐怖袭击,化学恐怖袭击造成的人员伤亡和社会影响往往极为严重。通过梳理恐怖袭击发生的主要脉络,利用K2算法构建贝叶斯网络结构,运用EM算法进行参数学习,得到贝叶斯网络风险评估模型。实验结果表明,利用建立的贝叶斯网络模型,得到人员伤亡等级分类准确率为0.75,该模型可用于推理分析和实例预测。通过推理分析发现,相比于爆炸类化学武器,中毒类化学武器被使用的概率更高,应该受到更多关注。利用发生在阿富汗和伊朗的4起化学恐怖袭击事件进行风险评估模型的验证。结果表明,模型评估结果和事件发生后果相符。研究结果预期可以为公安机关对化学恐怖袭击的预防提供决策支持。     

带隐变量贝叶斯网学习方法：研究综述

带隐变量贝叶斯网是一种重要的概率图模型，通过引入隐变量，对数据中的隐含知识进行定性和定量描述，从而实现不确定性知识的表示和推理.近年来，带隐变量贝叶斯网的学习，成为了不确定人工智能和知识发现领域中的重要研究方向.文章分析总结了目前带隐变量贝叶斯网学习研究面临的挑战，针对所涉及的确定隐变量的势和个数、参数学习及结构学习这3个方面的工作，介绍确定隐变量势和个数的基本思想，对学界广泛关注的参数学习和结构学习的代表性成果进行了综述，给出相关方法的适用场景、基本思想和主要步骤，也给出相应的对比分析.确定隐变量的势及个数方面，阐述了基于聚类的方法和基于团的方法；参数学习方面，阐述了包括插补、梯度上升、EM算法在内的方法，以及基于EM算法的改进方法；结构学习方面，阐述了基于评分搜索方法和基于条件独立方法的基本思想，以及基于评分搜索算法的改进方法.此外，基于对现有研究成果的分析总结，指出了带隐变量贝叶斯网学习进一步研究的问题及重点.     

贝叶斯网络推理分析的团树传播算法——以停车行为分析为例

介绍了贝叶斯网络的基本概念及其推理模式和推理算法,重点进行了团树传播算法研究,应用Matlab软件的jtree_inf_engine模块实现了团树传播算法编程,并以停车行为分析的贝叶斯网络为例进行了预测、诊断、原因关联和混合4种推理分析,根据推理结果总结了城市居民的停车决策行为特征。研究结果表明,团树传播算法可用于贝叶斯网络未知参数的推理和变量间的关系学习。     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络...     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

贝叶斯网络分类器的基于改进粒子群参数学习方法

研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。     

基于贝叶斯网络的作战效能分析方法

天基信息系统的作战效能评估已经成为军事领域的研究热点。提出一种基于贝叶斯网络的天基信息系统作战效能分析方法。首先通过仿真平台获取仿真数据,然后采用基于搜索的贝叶斯网络结构学习算法和期望最大化(expectation-maximum, EM)参数学习算法学习数据样本,构建贝叶斯网络模型,最后从贝叶斯网络的节点敏感性分析出发,从载荷层、能力层两个方面分析了天基信息系统的可见光侦察卫星、合成孔径雷达(synthetic aperture radar, SAR)成像侦察卫星以及电子侦察卫星对作战效能的影响。同时,仿真验证了该方法应用在天基信息系统作战效能评估的有效性和可行性,能够为武器装备体系效能评估提供坚实的技术支撑。     

在非时齐马氏决策过程中的动态贝叶斯网络研究

提出了用动态贝叶斯网络（DBN）对非时齐马氏决策系统进行建模的改进方法，使动态贝叶斯网络能被更广泛地应用于各种复杂的真实系统中．该方法的基本思路是，将扩展后的隐藏变量引入DBN的演化过程来建立假设条件所要求的马尔可夫模型，给出从不完整的样本数据集以及存在隐藏变量时来学习DBN结构的算法，进而用贝叶斯概率统计方法对后来的时间片的充分统计因子进行估计，并通过当前已存在的和估计的充分统计因子对基于时间变化的转移概率进行学习，以解决假设条件要求的转移概率的时不变性．原理性分析和仿真实验结果也验证了改进方法的有效性．     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

复杂环境下基于动态贝叶斯网络的目标识别

为了提升高动态复杂电磁环境下空战过程中对目标的识别能力,针对SBN网络模型无法满足战场的动态性要求以及对目标的经常性误识别问题,设计了一种基于变结构动态贝叶斯网络的目标类型识别模型。该模型是由静态贝叶斯网络模型演变而来,具有良好的动态表达性和滤波功能,弥补了SBN的不足,并且对空战过程中目标特征信息丢失的问题有良好的容错能力。仿真结果表明,基于动态贝叶斯网络的目标识别的识别效果,优于基于参数学习贝叶斯网络的目标识别。使用该模型后目标识别的准确性提高了5%,有效地解决目标类型识别过程中数据缺失和信息不足的问题。     

具有缺失数据的贝叶斯网络结构学习算法研究

基于随机搜索思想提出了一种具有丢失数据的贝叶斯网络结构学习算法BPMHS,该算法同时进行多个Metrpolis—Hasting抽样,构建多条并行的收敛于Boltzmann分布的马尔可夫链．算法首先利用节点之间的互信息和EM算法对网络结构和丢失数据进行初始化;然后将每一次迭代中所有的MHS看成一个总体,并据此得到产生下一代个体的建议分布．算法通过使初始值和建议分布尽可能接近其平稳分布,有效地提高收敛速度．用于ASLA的宴验结果柏．,袷证了簋法具有良捍的学习精序舞口学习特奎．     

基于马尔可夫毯的贝叶斯网络结构学习算法

贝叶斯网络图结构的自动学习是机器学习中的一个挑战,针对传统算法学习效率低、难于去除冗余边及确定结构中边的方向等问题,提出了一种基于马尔可夫毯的贝叶斯网络结构学习算法.该算法改进了经典的马尔可夫毯学习算法,使之减少条件独立检验次数,并在后续确定有向结构方面更适应贝叶斯网络结构学习,同时给出了两种有向边方向确定的一般性解决方案,有效提高了学习算法的学习效率.最后建立了基于贝叶斯网络的互联云QoE评价模型,并进行了仿真实验,结果表明改进后的学习算法在预测准确率、学习效率上均优于传统算法.     

一种基于小数据集的贝叶斯网络学习方法

 贝叶斯网络是用来表示不确定变量集合联合分布的图形模型,反映了变量间潜在的依赖关系.从完备数据集和不完备数据集上学习贝叶斯网络是研究的热点之一,要求有大数据集.针对实际应用中常常只能获得小样本数据,提出了基于Bootstrap抽样的网络结构学习的遗传算法,实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性.     

贝叶斯网络的建造及其在数据采掘中的应用

贝叶斯 (Bayesian)网络近年成为数据采掘引人注目的研究方向。通过剖析 Bayesian网络的结构和建造步骤 ,着重讨论用 Bayesian方法从先验信息和样本数据进行学习以确定网络的结构和概率分布的基本方法 ,分析 Bayesian网络学习的特点 ,探讨 Bayesian网络的适用性。与数据采掘的其它方法相比 ,Bayesian网络的优点是可以综合先验信息和样本信息 ,这在样本难得时特别有用 ;可以发现数据之间的因果关系 ,适合于处理不完整数据集 ,这是其它模型难以做到的。其缺点是计算开销较大 ;确定合理的先验密度比较困难 ;如何判定实际问题是否满足所要求的假设 ,没有现成的规则     

基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.