一种新的Bayes网络条件概率学习方法

针对大规模Bayes网络的条件概率赋值问题,提出一种学习方法.首先使用类层次结构定义一种新的基于层次的Bayes网络模型,用于表示大规模Bayes网络.然后将训练数据集由单个数据表的形式转化成多表数据库,其中每个数据库表对应一个Bayes网络模块.在此基础上导出条件概率计算公式,从每个数据库表中算出相应的Bayes网络模块的条件概率表,由此实现对整个层次Bayes网络的概率赋值.通过适当增加数据库表的数目来控制每个表中属性的个数,保证计算的可行性.将层次Bayes网络及计算公式用于解决图像中文本的自动检测与定位问题,实验结果表明了它们的有效性.     

主观Bayes网络在普适计算中的应用研究

由于硬件系统的异构性和无线网络的相对不稳定,造成直接由传感器获得的上下文的不确定性和不一致性。笔者针对此问题把主观Bayes网络模型应用到普适环境中对上下文进行推理,并且对OWL进行了扩展——SBOWL语言,以适应主观Bayes网络模型在上下文推理中的应用。通过在原型系统CIS的上下文推理层应用主观Bayes网络,验证了该方法的可行性。     

用于机械故障诊断Bayes网络的MLE学习方法

组建完成了一个用于机械故障诊断的具有两层节点结构的Bayes网络模型,利用Bayes网络的强大学习功能,探讨了当学习样本集完整时,采用MLE(最大似然估计)法则来合理地调整网络模型的CPT表值,使之更加符合特定机组的运行情况,从而为网络模型的判断推理做好了准备。     

Bayes网络学习的后验概率准则

介绍了Bayes网络学习的Bayes方法,给出了Bayes网络学习的后验概率准则,并依据准则采用B-搜索算法和MCMC搜素算法寻找好的网络模型。     

基于Bayes网络的项目风险评估方法研究

本文研究了项目风险评估的建模方法 ,通过与其它传统的项目风险评估方法比较 ,针对项目风险评估的信息不完备、具有一定不确定性的特点 ,选择Bayes网络建立项目风险评估模型。本文内容适合于在不确定环境下 ,信息不完备时的项目风险评估     

Bayes估计理论在交通流检测中的应用

运用Bayes估计的基本思想,在已知先验概率的情况下,对交通顺畅时车辆和交通拥挤时车辆的分布情况进行估计,并对某条马路的连续100个周期进行观测的数据进行仿真.仿真结果证明,估计的车辆数与实际车辆数的分布情况基本相同,准确度比较高,运行速度较快,可以用于实时检测.     

引水隧洞结构安全风险评价的动态Bayes网络模型

在运行期内,引水隧洞结构安全的影响因素较多且会随时间发生变化,因此,需要对引水隧洞结构安全进行分析评价。该文建立了一个动态Bayes网络(dynamic Bayesian network,DBN)模型评估引水隧洞的结构安全。首先,通过文献调研和专家咨询,确定引水隧洞结构安全的影响因素;然后,基于模糊层次分析法进行专家咨询,确定条件概率表(conditional probability table,CPT);最后,利用智能机器人巡检结果获得先验概率,并根据隧洞寿命的指数分布假设确定指标的转移概率。将模型应用于中国大渡河流域某水电站引水隧洞的结构安全评价,前向推理结果表明：引水隧洞整体风险较低,约在40 a后风险值增加至0.800,需要采取修补措施。反向传播结果显示：在不同的安全期,引水隧洞需关注不同的安全指标。该模型的评价结果与工程判断一致,表明模型具有较好的准确性和实用性。     

深度词汇网络学习的文本聚类研究

为改进已有中文文本聚类中数据非结构化导致的算法准确度不高及特征向量高维稀疏导致算法复杂度过高的现状,提出一种基于深度词汇网络学习的中文文本聚类算法,解决了优化数据非结构化带来的聚类结果准确性低及特征向量高维度带来的高复杂度问题。首先建立词汇网络用以抽取关键义原,以词语义原代替单词作为网络节点,不仅避免了语义消歧,同时考虑到词语间语义相似性与词汇相关性,使所提取的特征向量更能表现出文章的主旨,提高聚类效果;另一方面,训练深度学习网络对特征向量降维处理,在降维的同时保留尽可能多的信息,大大减低算法的执行时间。聚类质量检测方法(F-measure)的结果表明,本文算法比k-means算法在中文文本聚类中有更好的表现。     

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。     

一种利用不可行解的贝叶斯网学习算法

现有的基于打分搜索的贝叶斯网学习方法都是利用满足有向无环图的可行解进行学习.在搜索过程中遇到不可行解时,这类算法简单地去除不可行解或将不可行解转化为可行解.然而,有的不可行解中往往蕴含着有价值的信息.本文提出一种新的贝叶斯网学习方法ISEC,同时利用可行解和不可行解学习贝叶斯网络,并提出针对不可行解的选择策略,在学习过程中可以有效地利用不可行解中的有用信息.实验结果表明,ISEC能够比仅利用可行解的方法更快地学习到更优的贝叶斯网.     

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。     

贝叶斯网络学习算法研究

贝叶斯网络是一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。在对贝叶斯网络全面概述的基础上,深入研究了贝叶斯网络的结构学习。     

一种隐式法的贝叶斯网络结构学习

通过分析K2,BIC,AIC和IM等方式的原理,改进K2算法,在不考虑先验知识的基础上,创建了新的基于隐式网络的打分函数取代了原有算法的评分规则,实现贝叶斯网络结构学习.仿真实验结果表明,针对标准数据集学习,隐式法的贝叶斯网络学习算法在没有先验知识的条件下和依赖先验知识的基于BDe评分的K2算法相比收敛速度和准确率有一...     

基于条件独立性测试的贝叶斯网结构学习改进算法

针对基于条件独立性测试贝叶斯网结构学习算法在删除完全图边时的不足,提出加入对节点x和y的互信息测试的改进算法,不但能充分考虑到D-分离原理中存在的3种图型结构,使学习到的网络结构更接近于解,而且还从一定程度上减少了三角团的存在,从而也将低了确定边方向时出现环路的概率.并通过实验证明改进算法是有效、可行的.     

智慧学习环境中基于贝叶斯网络构建学生模型的研究

智慧学习环境是当前教育技术学界的一个前沿研究领域,从C/S架构的智能学习系统发展到B/S架构的智能化网络学习环境,学生模型仍然是其最核心的功能模块,是学生自我导向式学习情境中构建智慧学习环境的关键因素.本文采用文献分析法和实践调研法,从学生模型的分类、数据结构和建模方法等几个方面,对国内智能网络学习环境中学生模型的研究现状进行了较为详细的研究,并通过梳理近年来关于静态学生模型和动态推理模型的研究,提出了智慧学习环境中基于贝叶斯网络构建学生模型的框架,期望为智能学习系统中学生模型的理论研究和实践发展提供可借鉴的参考和经验.     

贝叶斯网络结构粒子群优化学习算法

提出一种信息论结合粒子群优化的贝叶斯网络结构学习算法,将约束最大信息熵作为最高评分函数,对网络结构进行复杂度约束,设计了粒子位置和速度向量的操作方法,解决单纯利用KL距离进行搜索的缺陷.在网络结构的搜索空间相对较大的情况下,该优化算法能在较短的时间内收敛,获得更准确的网络结构.仿真实验结果表明,该算法在时间和精度上都具有较好的效果.     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题,在考虑源域-目标域多种信息形式的情况下,提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用,在结构相似性的基础上,探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域...