Bayesian方法的计算学习机制和问题求解

从信息熵的角度讨论了无信息先验分布的Bayesian假设的合理性 ,着重分析了贝叶斯方法的计算学习机制 ,得出贝叶斯定理是将先验分布中的期望值与样本均值按各自的精度进行加权平均 ,精度越高者其权值越大 ,合理地综合了先验信息和后验信息。在共轭先验分布的前提下 ,可以将后验信息作为新的一轮计算的先验 ,用 Bayesian定理与进一步得到的样本信息进行综合。多次重复这个过程后 ,样本信息的影响越来越显著。因此 ,合理正确地指派先验分布对提高学习的效率和质量有重要意义。 Bayesian方法既可避免只使用先验信息可能带来的主观偏见 ,和缺乏样本信息时的大量盲目搜索 ,也可避免只使用后验信息带来的噪音的影响。因此 ,适用于具有概率统计特征的数据采掘和知识发现问题 ,尤其是样本难得或代价昂贵的问题。     

基于Bayesian网络的缺损数据处理方法

总结了处理缺损数据的几种方法 ,并提出一种基于 Bayesian网络的缺损数据处理方法。Bayesian网络能够将样本数据和先验信息有效地结合起来。最后通过一个实例验证了该方法的有效性和正确性。     

贝叶斯原理的不确定度评定方法比较

针对仅依据测量样本信息进行不确定度评定的局限性,利用贝叶斯信息融合原理,分别研究了基于无信息先验、共轭先验和最大熵先验分布的测量不确定度评定与更新方法,使评定过程充分融合历史先验信息和当前样本信息,提高了测量不确定度评定的可靠性。仿真实例表明:无信息先验方法没有将各组测量数据融合,其仿真结果波动最大;共轭先验方法仿真结果波动较大,经过多次数据融合逐渐趋于理论值;最大熵先验方法仿真结果波动较小,经过数据融合逐渐趋近于理论值。     

先验分布确定方法的分类研究

先验分布的确定问题是贝叶斯统计学首要的基本问题。根据统计推断所利用的3种信息(先验、总体、样本信息)的不同应用,对常用的先验确定方法进行了一定的分类整理,并提炼了数据控制下的先验这一概念,以区别无信息先验和非主观先验概念。     

基于动态Bayesian网络的基因调控网络建模

为了精确建模与推断基因调控网络,提出一种基于动态Bayesian网络的多数据融合方法(SP-DBN).该方法利用结构期望最大算法进行未知结构学习,基于粒子滤波方法完成参数学习,可有效处理数据缺失与噪声问题,更好地捕捉数据中固有的动态特性,并通过其先验结构,在基因表达数据的基础上,自然地融合转录因子绑定位点等多数据源信息.基于酿酒酵母的真实数据,实验结果表明: 对于仅采用基因表达数据的情况, SP-DBN的敏感度与特异度分别提高到19%和95%;融入绑定位点数据后, SP-DBN的敏感度可从19%进一步提升至20%, 而特异度则仍保持在95%的水平.     

基于贝叶斯网络方法的客户流失应用研究

本文采用贝叶斯网络的方法对移动公司客户的流失进行趋势预测。根据先验知识选取变量,组建数据样本集,通过对贝叶斯网络的结构学习和参数学习,建立客户流失模型,提高了对数据样本预测的准确性。     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据、不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具,文后给出一个基于贝叶斯网络的学习的实例。     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据,不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具。文中给出一个基于贝叶斯网络的学习的实例。     

基于不对称贝叶斯学习的图像检索相关反馈算法研究

基于贝叶斯(Bayesian)理论的相关反馈技术是可有效提高图像检索性能的重要手段之一.然而,当前大多数的Bayesian反馈算法普遍受到小样本问题和训练样本不对称问题的制约.本文提出一种新的相关反馈算法,该算法将查询点移动(query point movement,QPM)技术嵌入Bayesian框架中,并采用不对称的学习策略处理正、负反馈信息,故而称之为不对称Bayesian学习(asymmetry Bayesianlearning,ABL).对于正例样本,该算法同时考虑用户提供的正、负反馈信息,并借助QPM技术估计相关语义类图像的概率分布.对于负例样本,采用一种半监督学习机制以应对负例样本稀缺问题.首先,通过随机采样从数据库中选取一组无标记图像,然后,利用QPM技术对其进行数据审计.最后,将审计后的无标记图像作为额外的负例样本,并与用户标记的负反馈信息一起用于估计不相关语义类图像的概率分布.仿真实验及对比结果表明,不对称Bayesian学习策略可显著提高相关反馈的效率,且本文算法的检索性能明显优于当前其它的相关反馈算法.     

参数在线学习的动态贝叶斯网络态势估计算法

为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.     

Application of Bayesian Network Learning Methods to Land Resource Evaluation

0IntroductionLand resourceis the material basis of people’s existence.Land protectionis a persistent national problembecausethat it is serving national sustainable development.Moreover,land evaluation and land gradation are of great i mportance inguiding decisions onland uses andland explorations.Shortageof land resource becomes serious,which attracted the specialattention and recognitionin various countries.And so,manyscholars triedtofind novel approaches of landresource evalua-tion.Kalogir…     

基因调控网络的父节点筛选贝叶斯建模方法

在构建基因调控网络的方法中,贝叶斯网络模型可以直观地表达基因间的调控关系,但在结构学习时的复杂度极高,使得网络建模效率较低且规模有限.因此,本文提出一种基于父节点筛选的贝叶斯网络(parent node screening based Bayesian network, PS-BN)建模方法.PS-BN方法将关联模型与贝叶斯网络模型相结合,在充分利用贝叶斯网络模型结构学习搜索策略的前提下,先基于父节点筛选方法去除部分冗余信息,以达到缩减搜索空间的目的.实验结果表明,与传统的贝叶斯网络模型方法相比,PS-BN方法极大提升了基因调控网络构建效率,同时准确率有所提高.     

COT:一种连续时间序列建模的社区发现算法

研究基于交互及内容数据发现交往密切的交互社区,以及这些社区如何随时间发展变化,对于网络营销、内容推荐等应用具有重要意义。已有的基于内容与链接分析的混合模型大都未能对交互行为中广泛存在、且显著影响社区结构的时序信息进行统一建模分析。基于贝叶斯图模型,提出了一种可综合考虑交互信息、网络结构以及交互行为时间信息的社区发现模型COT(community over time),可用于从在线社交网络的交互数据中发现具有特定主题倾向及周期性行为模式的动态交互社区。模型采用Gibbs采样进行贝叶斯统计推断,通过在新浪微博真实数据集上的实验验证,可以有效应用于在线社交网络中并取得较高的精细度和可解释性。     

基于Rough Set的贝叶斯网络结构学习研究

Rough Set理论与方法是处理复杂系统的一种有效方法,但未能包含处理不精确或不确定原始数据的机制,与贝叶斯网络等不确定性理论有很强的互补性.本文提出基于Rough Set理论的贝叶斯结构学习方法,把Rough Set理论与贝叶斯网络相结合,通过属性约简简化贝叶斯网络结构变量,更好满足条件属性间的独立性限制,降低结构复杂度;同时,条件属性之间的依赖性决定贝叶斯网络变量之间的依赖关系和弧的方向.最后,通过算例说明该方法的应用过程.     

基于隐马尔可夫的恐怖事件预测模型

为了对恐怖事件实现早期预警,通过分析恐怖事件的网络结构,构建了恐怖事件的预测模型。利用隐马尔可夫模型与贝叶斯网络方法,通过分析一些先前发生的事件来预测恐怖分子在未来一段时间可能发动的恐怖活动,实现对相关情报的侦测,预防可能发生的恐怖事件。同时,对完备数据与不完备数据条件下的恐怖事件的预测算法进行分析。结果表明,提出的预测方法与使用监测软件得到的结果相近,验证了隐马尔可夫模型的合理性和贝叶斯网络方法的有效性。不足之处在于,监测过程获取的情报信息较少,一定程度上影响了模型结果的精确度。     

Biological networks to the analysis of microarray data

Microarray technology, which permits rapid and large-scale screening for patterns of gene expressions, usually generates a large amount of data. How to mine the biological meanings under these data is one of the main challenges in bioinformatics. Compared to the pure mathematical techniques, those methods incorporated with some prior biological knowledge generally bring better interpretations. Recently, a new analysis, in which the knowledge of biological networks such as metabolic network and protein interaction network is introduced, is widely applied to microarray data analysis. The microarray data analysis based on biological networks contains two main research aspects: identification of active components in biological networks and assessment of gene sets significance. In this paper, we briefly review the progress of these two categories of analyses, especially some representative methods.     

一种基于动态贝叶斯模型的大型IP网络故障诊断方法

为了提高IP业务的服务质量,利用告警等症状和已有知识快速准确地定位根故障十分重要。基于贝叶斯网络的不确定推理方法是近年来广泛应用的一种故障诊断方法。目前,基于静态贝叶斯网络的故障定位只是利用当前信息进行故障诊断,无法处理时间信息;而已有基于动态贝叶斯网络的诊断算法复杂度太高,不适用于大型网络。本文针对大型IP网络,建立用于故障诊断的动态贝叶斯模型,并对基于动态贝叶斯网络的一种通用的精确算法进行改进,实验证明它能够对大型IP网络快速准确的定位故障。本文方法充分利用告警库中的历史数据和当前症状信息,对当前的系统状态进行估计,完成故障诊断。     

异质网络社区发现方法研究综述

社区结构是复杂网络研究中的重要领域,也是复杂网络的重要特征之一,发现网络中的社区结构在理解网络功能方面起着重要作用。通过对国内外异质网络社区发现文献进行深入研究,较为全面地对现有异质网络社区发现算法进行了归纳总结。首先,通过对国内外异质网络社区发现文献进行归纳,给出异质网络社区发现的基本概述,明确异质网络社区发现领域相关问题的基本定义。其次,介绍了异质网络社区发现算法及主要评价指标,利用不同网络结构以及算法对现有方法进行分类概述。最后,对异质网络社区发现算法的发展趋势进行了总结与展望,提出未来可以将研究重点集中在以下几个方面:1)探索基于异质网络的社区发现评价标准,以推动该领域的快速发展;2)设计更加通用的算法模型,解决由先验知识引起的未知社区数量问题;3)开展更多关于动态网络的研究。     

基于案例推理的应急决策贝叶斯网建模方法

贝叶斯网络技术具有丰富的概率表达能力,不确定性问题的处理能力,以及多源信息的融合能力,其有利于辅助突发事件的应急决策,提高决策效率.突发事件应急决策具有较高的时间敏感性,因此要求能够尽可能缩短贝叶斯网络的建模时间,而从无到有的传统贝叶斯网络建模方法的效率显然无法较好地满足这一要求.因此,针对以上问题,提出了基于案例推理的应急决策贝叶斯网络建模方法.该方法基于历史案例库,通过相似度和偏离度两个指标对历史案例进行匹配并得到候选案例,最后通过案例合并和剪枝等方法对候选案例进行调整,最终得到新的案例模型.通过案例仿真对所述方法进行了验证,结果表明:基于案例推理的应急决策贝叶斯网络建模方法没有庞大的搜索空间,也不需要样本数据,只需要提前收集历史案例模型,与传统贝叶斯网络建模方法相比,该方法能够复用历史模型,从而缩短了建模时间,提高了建模效率.