贝叶斯网络结构学习算法探析

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.近年来,贝叶斯网络逐渐成为国内外智能数据处理的研究热点之一,被广泛应用于专家系统、决策支持、模式识别、机器学习和数据挖掘等领域.本文在对贝叶斯网络全面概述的基础上,深入研究贝叶斯网络的基本原理、贝叶斯网络的典型推理和学习算法.     

贝叶斯网络研究综述

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.近年来,贝叶斯网络已成为国内外智能数据处理的研究热点之一,被广泛应用于专家系统、决策支持、模式识别,机器学习和数据挖掘等领域.综述了贝叶斯网络的典型推理和学习算法,并对其进一步的研究方向进行了展望.     

大学课程贝叶斯网络模型研究

提出一种大学课程关系的贝叶斯网络构造方法,以学生课程考试成绩作为数据样本,以基于信息论的结构学习算法构造无向图,最后以课程开设的先后顺序给边定向,得到课程依赖关系的贝叶斯网络,并以数理统计的方法学习其条件概率表。该模型直观的反映了课程间的依赖联系,而条件概率表则量化了联系的紧密程度,对大学课程的设置和编排具有指导作用,对学生成绩具有预测能力。     

贝叶斯网络发展及其应用综述

贝叶斯网络（BN）是一种用于描述变量间不确定性因果关系的图形网络模型,用于不确定性系统建模和推理,处理涉及到预测智能推理、诊断、决策风险及可靠性分析的问题. 本文首先对贝叶斯网络做了一个简略的介绍,随后综述了贝叶斯网络近30 年的发展及功能扩展,对其在工程技术领域的应用包括故障诊断及可靠性分析等方面做了一个回顾,最后对BN现有的不足和未来的研究趋势做了总结和展望.      

基于贝叶斯网络的实时行情预测算法

贝叶斯网络说明变量集合的联合条件概率分布为自然地表示因果信息提供了一种方法.用贝叶斯网络进行预测的核心问题是选择最符合样本数据的网络结构,即根据数据样本D和先验知识ζ找出后验概率户(Sh|D,ζ)最大的贝叶斯网络S.提出了一种基于贝叶斯网络的实时行情预测算法,并对其数据结构与实现方法进行了阐述.     

快速路交通事件持续时间预测模型研究

针对城市快速路交通事件持续时间影响因素的复杂性和不确定性,结合贝叶斯网络和非参数回归方法,提出了一种新的快速路交通事件持续时间预测模型.采用上海市快速路监控中心数据,经过降噪处理,生成样本数据;在分析样本数据特征基础上,确定了贝叶斯网络的结构学习方法与参数学习方法;对贝叶斯网络模型的结果用非参数回归算法生成持续时间预测值.最后,对模型预测精度进行了验证,发现模型预测效果较好.     

基于BN和模糊评判的异型烟分拣系统故障诊断

针对异型烟分拣系统故障诊断中存在的复杂性和不确定性问题,提出了贝叶斯网络(BN)与模糊评判相结合的故障诊断方法。该方法在利用贝叶斯网络推理故障发生概率的基础上,较为全面地考虑了故障复杂性对诊断结果的影响,利用故障排查难度、维修难度、诊断准确性和故障对整条分拣线的影响程度等因素构成的故障复杂性模糊评判值修正贝叶斯网络诊断结果。通过异型烟分拣系统的故障诊断实例验证了该方法的有效性,可为故障的预防与排查提供科学依据。     

基于贝叶斯网络的空调冷水阀故障检测与诊断

针对空调系统运行中所产生的很多不确定性故障问题,建立了贝叶斯网络模型,开发了多故障状态的贝叶斯概率计算模型,利用Leaky Noisy-Max模型进行贝叶斯网络参数学习,提出了基于故障特征准则和阈值判别的故障检测与诊断技术。采用现场实测数据,以冷水阀故障为例,验证了该技术的可行性。结果表明,该技术能够诊断出冷水阀故障,诊断结果能够快速定位故障产生源,从而提高空调运行系统的稳定性。     

一种动态联盟企业风险概率识别方法

根据动态联盟企业信息具有不确定性的特点,应用贝叶斯网络对企业的风险概率进行识别.通过对贝叶斯网络的构建与分析方法的探讨,用贝叶斯网络描述企业信息变量间的依赖关系,从而识别不同风险发生的概率.仿真结果表明,贝叶斯网络可以有效地描述动态联盟企业不确定信息变量之间的依赖关系,是进行风险概率识别的一种有效方法.     

基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

针对航空发动机结构功能复杂,存在贝叶斯网络构建难、节点条件概率难以获得精确值的问题,提出基于知识图谱与模糊贝叶斯网络的故障推理诊断方法。首先,以历史故障数据为依据,构建航空发动机故障知识图谱;其次,提出“知识图谱-贝叶斯网络”的映射方法,用于快速构建贝叶斯网络;然后,引入模糊集合论,解决工程实际中概率参数的不确定性问题;最后,以航空发动机滑油系统故障进行实例验证,结果表明所提方法既能提高贝叶斯网络的构建效率,又能实现故障诊断的不确定性推理,可用于诊断策略优化和设备可靠性提升,具有较强的工程应用价值。     

贝叶斯网络结构学习方法新探

从大型数据库中学习网络结构一直是贝叶斯网络学习的研究热点.针对此问题提出了一种基于预测能力的学习算法,通过预测能力建立并调整贝叶斯网络结构,把变量之间弧的存在性与方向有机地结合在一起。     

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．     

用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。     

基于Rough Set的贝叶斯网络结构学习研究

Rough Set理论与方法是处理复杂系统的一种有效方法,但未能包含处理不精确或不确定原始数据的机制,与贝叶斯网络等不确定性理论有很强的互补性.本文提出基于Rough Set理论的贝叶斯结构学习方法,把Rough Set理论与贝叶斯网络相结合,通过属性约简简化贝叶斯网络结构变量,更好满足条件属性间的独立性限制,降低结构复杂度;同时,条件属性之间的依赖性决定贝叶斯网络变量之间的依赖关系和弧的方向.最后,通过算例说明该方法的应用过程.     

基于局部优化具有连续变量的贝叶斯网络结构学习

概述了具有连续变量的贝叶斯网络结构学习存在的主要问题,给出了基于局部优化的具有连续变量的贝叶斯网络结构学习方法.通过构造局部最优回归模式、局部回归模式的条件组合及环路处理,建立了具有连续变量的贝叶斯网络结构,既可以避免复杂的结构打分运算及结构空间搜索,同时又不会出现由于离散化而导致过多的信息丢失及假依赖现象.     

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.     

四种贝叶斯分类器及其比较

首先介绍了贝叶斯网络及贝叶斯网络分类器,并对四种典型贝叶斯分类器的特点进行了介绍与分析.在总结各种贝叶斯分类器特点的基础上,通过选取的UCI数据库中的10个数据集对其分类效果进行了实验比较,并根据实验结果讨论各自的特点,从而得出针对具有不同特点数据集选取适当分类器的方法.     

Bayes网络学习及其在文本检测中的应用研究

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层次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1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．可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．最后将本层次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．