基于AHP的贝叶斯网络故障诊断方法研究

针对基于专家知识的故障诊断方法依赖经验的局限,提出一种基于层次分析法（AHP）的贝叶斯网络化工过程故障诊断方法。通过基于关联函数的AHP得到所有变量的权值,对22个变量节点的权值进行排序并将该排序作为K2算法的学习输入建立贝叶斯网络模型,同时结合复杂网络分析指标进行化工过程的故障诊断。通过TE过程故障诊断实例证明本文方法不仅避免了K2算法专家知识的主观因素影响,同时能很好地进行故障定位,找到故障源。     

基于贝叶斯网络的停车收费政策评价

应用K2算法和贝叶斯参数估计方法,进行了贝叶斯网络的结构和参数学习,建立了停车行为分析的贝叶斯网络。应用连接树传播算法推断停车费率影响下的停车开始时间、停车时长和停车场类型等选择行为的变化,预测停车收费政策的实施效果,评价政策的可行性.结果表明:随着停车费率的提高,停车者更趋向于选择短时间停车;对不同时段和不同停车场类型实施不均衡收费制度,即高峰停车费率大于非高峰停车费率,路内停车费率大于路外停车费率,可以促使停车者选择非高峰时段停车和路外停车.     

基于贝叶斯网络的客户流失分析

随着电信市场竞争加剧,客户流失现象成为电信运营商关注的问题。文中基于数据挖掘手段,采用贝叶斯网络分类器,进行电信客户流失分析。在贝叶斯网络构造过程中,结合采用K2和MC-MC算法构建网络。根据贝叶斯网络的拓扑结构,筛选出客户流失相关的显著指标;由条件概率表确定客户的流失规则,进而确定高流失的客户群。考虑分类的误判损失函数,给出不同分类临界值下,贝叶斯网络模型的分类效果。与其它分类算法相比,比如决策树和人工神经网络,在客户流失率很低的情况下,该算法不需要进行“过量抽样”。     

贝叶斯网络在高职英语应用能力考试中的应用研究

通过K2算法,利用贝叶斯网络构建了一个高职英语应用能力考试的预测模型,用基于贝叶斯网络的分类器来对影响英语应用能力考试通过的因素进行分析,并利用真实数据做了分析验证,验证结果基本符合实际情况.通过该模型的应用,可以为高职学生今后的英语学习指明方向,为高职学院的教育教学管理和改革提供决策支持.     

IE_K2：一种基于贝叶斯网络的高效基因调控网络构建方法

为获得正确的节点次序,提高K2算法的执行效率和精确度,提出一种构建基因调控网络的IE-K2算法.基于两个节点互信息构建无向图,通过引入联合信息熵来获得最佳的节点次序.在Alarm网络中的实验结果表明,其预测的准确率优于爬山算法和随机节点顺序的K2算法;将IE-K2算法用于构建酿酒酵母的基因调控网络,通过现有文献证明了调控关系的正确性,结果显示了该算法的有效性.     

基于遗传算法构建大学数学课程贝叶斯网

基于某高校统计学院自1984~2005年间学生所学10门课 程的成绩, 利用K2算法并结合自适应遗传算法构建了课程贝叶斯网. 用学生成绩样本的信息将有向无环图与概率理论有机地结合, 直观地揭示了各门课程之间的依赖关系, 通过条件概率表体现了依赖关系的强弱程度, 不仅对学院不同学期课程的设置有一定的参考价值, 而且对学生进一步学习而选择适合自己的研究方向提供权衡依据.     

贝叶斯网络结构学习的双重K2算法

贝叶斯网络源于人们对人工智能领域不确定性问题的研究,是进行不确定问题推理和数据分析的重要工具。结构学习是贝叶斯网络研究的核心内容,K2算法是结构学习的经典算法之一。为解决K2算法学习效果强烈依赖于节点序的问题,本文提出一种新的混合结构学习算法：双重K2算法。该算法首先将节点信息作为初始节点序,通过K2算法的搜索策略得到初始网络结构;然后在初始网络结构上利用拓扑排序得到修正后的节点序;最后K2算法通过修正后的节点序学习得到最优的网络结构。通过实验验证,在精度和效率上,双重K2算法效果优于其它经典算法。     

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器，即朴素(naIve)贝叶斯分类器、贝叶斯网络分类器和TAN(tree augmented Bayesian)分类器；发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的，因此在所有树形分类器中TAN分类器是最优的．     

基于MMPC-FPSO 贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。     

基于半定性贝叶斯网络的建模方法研究

在定性贝叶斯网络的基础上,提出一种既包含定性符号信息,又包含概率分布定量信息的半定性贝叶斯网络,用以集成多个专家的知识和经验,通过一个与专家反复交互的过程,构建出相关问题领域的稳定的贝叶斯网络模型。提出利用区间数来统一表达多个专家的定性或定量的判断意见,给出了在半定性贝叶斯网络中进行概率推理的区间数传播算法,并通过算例验证其有效性。     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

基于K-均值聚类的朴素贝叶斯网络分类模型

针对朴素贝叶斯网络分类模型在处理高维大数据量时的效率偏低和准确率有待提高的问题,结合主元分析法与K-均值聚类算法构造出了一个改进的朴素贝叶斯网络分类模型;摒弃了非类属性变量相对于类属性变量相对独立的前提条件,算法首先用主元分析法在对数据集的信息量尽量保存的同时进行了降维操作,使得算法可以着重于进行分类问题;算法还提出了一个"相对融合点"的概念,有效地提高了算法的性能;最后对算法的性能进行了分析,并将改进的算法应用到实际的数据集进行实验,用算法产生的分类结果对数据集中产生的一些缺失数据进行修补。     

基于免疫进化算法的Bayesian网结构学习

利用免疫进化算法（IEA）, 借助遗传和接种疫苗操作将基于打分和基于约束的两类Bayesian网结构学习方法有机地结合在一起, 提出一种新的Bayesian网结构学习方法. 通过与基于遗传算法的Bayesian网结构学习方法EGA(Expectation & Genetic Algorithm）的对比试验表明, 所提出算法的收敛速度更快、 学习得到网络的精度更高.     

基于变分贝叶斯的数据分类算法

随着互联网技术的高速发展,数据库的规模和复杂度不断增长,传统的分类方法已经不能满足复杂数据的分类需求,针对此类问题,提出了一种基于变分贝叶斯的数据分类算法。该算法在传统贝叶斯推断上引入变分近似理论,结合最大期望算法思想,利用统计物理中的平均场理论,并以混合高斯模型为例进行了实验仿真。实验结果证明,随机生成数据在经过382次迭代后,能明显看出由3组高斯模型混合而成,似然函数的下界随迭代次数增加不断上升,在350次迭代后曲线与预想一样趋于平缓,并且在误差允许的范围内得到接近真实数据的均值和逆协方差矩阵,实现其分类处理。在保证高精度的要求下计算速度更快、效率更高、更符合实际工程的应用背景。     

基于粗糙集属性约简与进化算法的贝叶斯网络分类器

提出一种新的学习无约束贝叶斯网络分类器的算法（RE-BNC）.该算法基于粗糙集理论,在保证分类精度不变的前提下,先对冗余属性变量进行约简,降低属性变量维数,然后构建一个无约束优化模型用来学习较好的初始种群,降低搜索空间,再结合进化算法学习分类器的网络结构.与其他常见的8种分类器算法相比较,实验结果表明该算法设计合理,且分类效果较好.     

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测.通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果.     

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...     

基于贝叶斯网络的电视节目收视率预测研究

收视率是衡量电视节目质量的重要指标,节目播出后的收视率调查已经不能满足竞争日益激烈的各电视台的需要,因此迫切需要科学有效地预测收视率的方法。对贝叶斯网络进行了研究,并将据此建立的数据挖掘预测模型应用于电视节目收视率预测的研究,取得了较好效果。