基于改进蚁狮优化的贝叶斯网络结构学习算法

为了改善小数据集下BN结构学习中对数据利用不充分的缺陷， 提高贝叶斯结构学习算法的寻优效率，提出基于改进蚁狮优化的贝叶斯网络结构学习算法。首先，通过互信息约束初步构建网络，并对蚁狮算法初始化；其次，为了有效利用小数据集，用改进的sigmoid函数对迭代中的矩阵元素进行二值转换；为了进一步提高蚁狮算法的搜索效率，用生物地理算法中的迁移、变异、清除算子抽取更换个别蚂蚁；最后，结合蚁狮算法的更新机制寻找最优解。实验结果表明，文中算法寻优效率高、收敛速度快，能跳出局部最优,具有更高的准确性。     

小数据集下基于修正乘性协同约束的BN参数学习

在一些特定情况下，获取充足样本十分困难，导致最大似然估计算法学习到的BN参数精度往往较低，并且一些实际应用领域中已涉及多父节点协同影响约束的问题。对此，通过借鉴PAVA保序回归算法思想，提出了一种小数据集下基于修正乘性协同约束的BN参数学习方法。首先，判断已知样本数据中多父节点部分的参数是否满足乘性协同约束；其次，把不满足乘性协同约束的左右两边划分为整体，用PAVA算法分别对其进行调整，针对调整后的整体，根据不同父节点组合状态对应的样本数据量，给出3种权值不同的校正方法，对每个参数进行修正，得到最终参数学习结果；最后，运用经典草地湿润网络模型对提出的方法进行仿真验证。研究结果表明，在小数据集条件下，提出的方法不仅满足了乘性协同约束，而且KL散度始终低于其他2种方法，但运行时间略高于其他2种方法约1×10^-3s,影响甚微。总体上，所提算法的综合性能优于其他2种方法。