基于预测能力的贝叶斯网络结构学习

给出了变量之间预测能力的概念及估计方法,证明了预测能力就是预测正确率.在此基础上建立了基于预测能力的贝叶斯网络结构学习方法,并使用模拟数据进行了实验.实验结果显示该算法能够有效地进行贝叶斯网络结构学习.     

贝叶斯网络参数学习中的噪声平滑

对于存在噪声的贝叶斯网络参数学习,目前主要通过调整贝叶斯网络的结构来增强其抗噪声能力,但调整后的结构往往会降低网络的可靠性,不易实现持续学习,而且不能从源头上排除或减少噪声对参数的影响.将贝叶斯网络与Gibbs抽样相结合,以变量作为基本单位,使用马尔科夫毯提供的信息平滑一个变量对应的数据,可有效地避免上述问题.     

一种新的贝叶斯网络增量学习方法

现有的贝叶斯网络增量学习方法忽略结构与参数变化的特点和内在联系,往往会降低更新后贝叶斯网络的可靠性.针对这一情况,提出了贝叶斯网络结构与参数变化并不同步,参数变化到一定程度将引起结构变化,并基于这种不同步性,给出了一种是否进行结构更新的判别方法,以及结构与参数更新的实现算法,实验结果显示,这种增量学习方法更加合理和可行.     

规整填料层压降的新关联

在理论分析的基础上,考虑了物系性质和器壁效应的影响,导出了规整填料层压降的关联式,由实验数据计算了部分常用填料新关联式的压降常数.本文关联式与实验数据吻合很好,对各种填料的压降计算误差一般在15%以下,新关联方法计算准确性和简便性优于文献公式.