基于贝叶斯-遗传算法的多值无环CP-nets学习

条件偏好网(Conditional Preference networks,CP-nets)是描述属性间条件偏好的图模型,多值无环CP-nets学习是重要的研究方向之一.区别于传统的CP-nets学习方法,提出基于贝叶斯方法和遗传算法的多值无环CP-nets学习.在偏好处理上以多值属性的完整偏序关系作为条件偏好,进行相关性关系判定.随后,基于贝叶斯方法,以单一父属性推出多父属性下的相关性关系,进行CP-nets结构学习.采用遗传算法在CP-nets结构搜索空间中进行搜索,求解最优结构.通过Delink算法进行去环,完成无环CP-nets学习.在寿司数据集上验证算法的有效性,实验结果表明,基于贝叶斯-遗传算法的CP-nets学习算法能够在有限时间内学习得到局部最优无环CP-nets.     

基于信息论和免疫遗传算法学习贝叶斯网络结构

提出一种新的实现贝叶斯网络(BN)结构学习的方法,即由信息论和免疫遗传算法相结合构造最优贝叶斯网络结构.首先,通过信息论迅速搜索较为可能的网络空间,构造一个候选网络,然后用免疫遗传算法进行网络精简,得到一个最优的网络结构.不仅可降低计算复杂度,提高贝叶斯网络结构学习的效率,而且避免了传统启发式算法易陷入局部最优解的问题.实例计算证明了其可行性.     

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.     

一种利用不可行解的贝叶斯网学习算

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.     

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.     

有向非循环图的可反向边集合的结构与判定

讨论了有向非循环图(dag)G的可反向边集合RG的结构,给出了判断RG的充分必要条件 .这一结果将有助于设计算法搜索G中的等价类,在用得分等价原则学习贝叶斯网络结构时,可以进行局部得分,从而减少所需的数据量,提高效率.     

带隐变量贝叶斯网学习方法：研究综述

带隐变量贝叶斯网是一种重要的概率图模型，通过引入隐变量，对数据中的隐含知识进行定性和定量描述，从而实现不确定性知识的表示和推理.近年来，带隐变量贝叶斯网的学习，成为了不确定人工智能和知识发现领域中的重要研究方向.文章分析总结了目前带隐变量贝叶斯网学习研究面临的挑战，针对所涉及的确定隐变量的势和个数、参数学习及结构学习这3个方面的工作，介绍确定隐变量势和个数的基本思想，对学界广泛关注的参数学习和结构学习的代表性成果进行了综述，给出相关方法的适用场景、基本思想和主要步骤，也给出相应的对比分析.确定隐变量的势及个数方面，阐述了基于聚类的方法和基于团的方法；参数学习方面，阐述了包括插补、梯度上升、EM算法在内的方法，以及基于EM算法的改进方法；结构学习方面，阐述了基于评分搜索方法和基于条件独立方法的基本思想，以及基于评分搜索算法的改进方法.此外，基于对现有研究成果的分析总结，指出了带隐变量贝叶斯网学习进一步研究的问题及重点.     

基因调控网络的父节点筛选贝叶斯建模方法

在构建基因调控网络的方法中,贝叶斯网络模型可以直观地表达基因间的调控关系,但在结构学习时的复杂度极高,使得网络建模效率较低且规模有限.因此,本文提出一种基于父节点筛选的贝叶斯网络(parent node screening based Bayesian network, PS-BN)建模方法.PS-BN方法将关联模型与贝叶斯网络模型相结合,在充分利用贝叶斯网络模型结构学习搜索策略的前提下,先基于父节点筛选方法去除部分冗余信息,以达到缩减搜索空间的目的.实验结果表明,与传统的贝叶斯网络模型方法相比,PS-BN方法极大提升了基因调控网络构建效率,同时准确率有所提高.     

基于子空间拟合的块稀疏贝叶斯学习DOA估计

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival,DOA)估计算法在低信噪比条件下性能不足的问题,提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解,获得信号的加权子空间,然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解,同时对于网格失配带来的建模误差,将空间域内的离散采样网格点作为动态参数,通过求解一个多项式,利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明,相对于传统SBL算法,该方法具有更好的估计精度和空间分辨率。     

一种代数杂交算子的搜索能力分析

在利用布尔代数的理想将遗传算法（ＧＡｓ）中的个体空间进行等价分类后,给出一种代数杂交算子,分析这种代数杂算子在这些等价类之中的搜索能力,这为深入理解ＧＡｓ搜索机理及预防ＧＡｓ的过早收敛和欺骗问题提供了理论上的指导。     

基于Bayesian-MCMC方法的水体污染识别反问题

针对具有不适定性的环境水力学反问题,基于贝叶斯推理和二维水质模型建立水体污染识别反演模型,运用马尔科夫链蒙特卡罗法抽样获得污染源源强、污染源位置和污染泄漏时间等模型参数的后验概率分布和统计结果.实例研究结果表明,基于马尔科夫链蒙特卡罗抽样算法的贝叶斯推理可以较好地用来实现水体污染识别,具有识别精度高,误差小的特点,其可靠性和稳定性高于混合遗传模式搜索优化算法.     

人工免疫网络算法的改进及免疫优化应用

基于人工免疫网络算法(aiNet)模型,借鉴禁忌搜索算法(TS)的思想,提出一种禁忌搜索与人工免疫的混合算法,即人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌那些在网络迭代中亲和度连续不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加1个记忆表,用于保存成熟的记忆细胞;重新定义高斯变异方式,以保证多样化的有效搜索.利用Markov链证明算法全局收敛性,通过对多个典型系统测试函数的仿真实验定量分析该算法的性能,并与经典克隆选择算法和opt-aiNet算法进行比较研究,分析特征参数对算法性能的影响.实验结果表明,该算法在多模态搜索空间中具有更强的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法.     

采用结构与参数训练相结合的RNN模型构建基因调控网络

提出一种采用递归神经网络模型构建基因调控网络,将结构训练与参数训练相结合的方法进行网络的权值训练.采用模拟退火算法训练网络结构,找出调控关系权值,再引入基于免疫思想的粒子群算法对权值进行参数优化,得到基因调控网络图.并分别用人工数据和大肠杆茵DNA修复系统基因数据进行实验.实验结果表明,该方法能有效地从基因时序数据中揭示基因间的调控关系.     

学习贝叶斯网络结构的混合粒子群算法

 针对直接使用粒子群算法进行结构学习效率较低的缺陷,基于无约束优化,提出一种贝叶斯网络结构学习的混合粒子群算法。该算法首先构造并求解一无约束优化问题,其最优解对应的无向图中的边可为结构学习提供一搜索范围,缩小粒子群算法的搜索空间,然后在缩小的空间中完成对贝叶斯网络的结构学习,从而提高了粒子群算法的学习效率。仿真试验结果表明,该混合粒子群算法可以快速、准确地学习到最优贝叶斯网络结构。     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

基于马尔可夫毯的贝叶斯网络结构学习算法

贝叶斯网络图结构的自动学习是机器学习中的一个挑战,针对传统算法学习效率低、难于去除冗余边及确定结构中边的方向等问题,提出了一种基于马尔可夫毯的贝叶斯网络结构学习算法.该算法改进了经典的马尔可夫毯学习算法,使之减少条件独立检验次数,并在后续确定有向结构方面更适应贝叶斯网络结构学习,同时给出了两种有向边方向确定的一般性解决方案,有效提高了学习算法的学习效率.最后建立了基于贝叶斯网络的互联云QoE评价模型,并进行了仿真实验,结果表明改进后的学习算法在预测准确率、学习效率上均优于传统算法.     

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.     

贝叶斯网络VE推理算法的并行化研究

贝叶斯网络是一种强有力的不确定性推理和数据分析工具.网络推理是贝叶斯网络的重要内容之一.VE算法是利用联合分布的分解来简化推理的贝叶斯网推理算法.提出一种基于最小缺边搜索算法的消元顺序(PL_OE)算法,使VE算法可并行执行,降低了贝叶斯网推理的时间复杂性.     

Building Bayesian Network(BN)-Based System Reliability Model by Dual Genetic Algorithm(DGA)

A system reliability model based on Bayesian network(BN)is built via an evolutionary strategy called dual genetic algorithm(DGA).BN is a probabilistic approach to analyze relationships between stochastic events.In contrast with traditional methods where BN model is built by professionals,DGA is proposed for the automatic analysis of historical data and construction of BN for the estimation of system reliability.The whole solution space of BN structures is searched by DGA and a more accurate BN model is obtained.Efficacy of the proposed method is shown by some literature examples.