基于限制型粒子群优化的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘与知识发现领域的主要研究技术之一,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。     

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.     

基于模糊约束的贝叶斯网络参数学习

针对小样本下贝叶斯网络参数学习结果不准确的问题,提出一种模糊最大后验估计方法,该方法将模糊理论引入到参数学习中,通过对约束效力的度量,利用隶属度函数来确定超参进行学习,以提高约束使用的准确性。实验证明,所提方法可以有效提高参数学习的精度。除此之外,将所提方法应用到网络安全评估中,将通用漏洞评分系统作为专家先验参数,结合漏洞信息迁移样本来进行参数学习。最后,通过节点和路径安全评估验证了所提方法的有效性。     

利用先验正态分布的贝叶斯网络参数学习

针对贝叶斯网络参数的近似等式约束,提出采用正态分布构建该类约束的数学模型;然后用Dirichlet分布逼近正态分布,并通过目标优化计算Dirichlet分布的超参数;最后采用贝叶斯最大后验概率(maximum a posterior,MAP)估计方法计算网络参数值。在不同样本量的数据集下进行实验测试,将本文方法与其他4种主要方法进行比较,结果表明:该方法的参数学习精度都好于其他4种方法,尤其是在样本量较小的情况下。该方法的运行时间高于其他4种方法,但相同样本量的数据集下,学习精度的提高倍数要高于时间增加的倍数。     

混沌粒子群优化及其分析

通过分析了经典的粒子群优化中单个粒子模型,发现其具有混沌Hopfield神经网络的特点.提出了一种新的粒子群优化模型,该模型不像以往的粒子群算法那样包含随机参数,而是一个确定性的混沌Hopfield神经网络群,其搜索轨道展现了从混沌到周期分岔再到汇的逆周期分岔演化过程.初始混沌式搜索模式展宽了搜索范围,逆周期分岔演化过程决定了搜索的稳定性和收敛性.另外,理论上给出了新的粒子群优化的收敛性结论.最后,通过数值仿真给出了与经典的粒子群优化结果的不同点,并且说明了混沌粒子群优化的有效性.     

基于量子粒子群的广义模糊熵阈值法参数选取

针对广义模糊熵阈值分割法中参数m的选择问题,提出了一种结合优化算法的自适应参数选取算法.该算法依据一种图像分割质量评价指标建立目标函数,再基于量子粒子群优化搜索算法在参数的变化空间自适应地搜索最佳参数,同时依据模糊熵最大准则对S型隶属度函数中的三个参数(a,b,d)进行了全局组合寻优,从而建立了一个嵌套的优化搜索过程,实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验表明,该方法对光照不均匀图像有更好的分割效果.     

自适应的混沌粒子群算法优化XML文档聚类策略

为了提高海量XML文档集的聚类质量,提出了一种基于粒子群的XML自适应混沌聚类算法(简称ACPSO):为了简化XML文档相似性判定,该算法以XML键为基础,结合混沌原理与粒子群算法划分XML文档:为了加速算法的收敛性,通过对算法相关参数的自适应学习与权重调整,增强XML文档的全局寻优能力,改善XML文档聚类的质量.对比其它聚类算法,仿真表明本算法不仅能有效避免聚类停滞现象的发生,而且是一种高效的XML文档聚类方法.     

贝叶斯网络参数学习中的连续变量离散化方法

首先从离散方案对推理功能的影响出发,提出将条件信息熵作为评判离散方案好坏的标准;其次从降低问题求解的复杂度出发,提出将贝叶斯网络划分为多个极小简单子网分别进行离散化;最后,依据离散化问题与路径规划问题的相似性,设计了一套利用蚁群算法进行问题求解的方法。实验表明,采用所提方法进行贝叶斯网络连续变量离散化,能很好地将连续变量的取值空间进行分类,从而达到良好的推理效果。     

基于单调性约束的离散贝叶斯网络参数学习

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。     

ad hoc网络中基于离散粒子群优化的权重分簇算法

针对移动性较强的ad hoc网络,提出了一种基于离散粒子群优化的权重分簇算法.该算法通过引入节点局部密度,仅利用节点局部拓扑信息来计算权重,然后通过离散粒子群优化簇头选举.在保证网络负载平衡的情况下,最大限度确保网络稳定性.仿真试验表明,与典型的权重分簇算法WCA比较,该算法提高了移动ad hoc网络的稳定性,同时网络生命周期平均提高了88.28%.     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。     

基于微粒群算法的虚拟仪器参数自适应配置方法

提出了一种利用微粒群算法优化虚拟仪器参数设置的方法。微粒群算法通过模拟鸟类社会性运动的规律,利用群体智能解决组合优化问题,该算法能够迅速有效地进行最优化搜索。将其用于解决仪器参数设置中的多维空间优化问题,具有概念简单,应用方便,计算复杂性低和运算速度快的特点。     

融合专家先验知识和单调性约束的贝叶斯网络参数学习方法

针对小样本集条件下的贝叶斯网络参数学习问题,提出一种融合专家先验知识和单调性约束的贝叶斯网络参数学习方法。该方法通过将专家先验知识以正态分布形式融入单调性约束的贝叶斯网络参数学习过程,进一步提高了小样本集条件下贝叶斯网络参数学习的精度和稳定性。在小样本集条件下进行仿真实验,结果表明,与其他3种主要方法相比,所提方法平均(Kullback-Leibler, KL)散度大幅降低,运行时间高于其余3种方法。综合考虑学习精度和运行时间,所提方法优于其他3种方法。将所提方法应用于燃气轮机健康状态评估,评估结果与实际状态一致,验证了方法的有效性。     

基于混沌粒子群优化的系统级故障诊断策略优化

针对诊断设计优化过程中的关键问题--故障诊断策略优化,提出了基于混沌粒子群优化算法的系统级故障诊断策略优化方法。该算法利用混沌优化不重复遍历系统所有状态的特点,引导粒子在全局范围内搜索,从而克服了粒子群算法“早熟”收敛的缺点。这使算法不仅具有较快的收敛速度,又保证了获得的最优解的可靠性,为获得有效的系统级故障诊断策略提供了可行的方法。最后,给出了该算法在诊断策略优化过程中的关键步骤,通过仿真证明了该算法对于系统级故障诊断策略优化的有效性。     

用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。