采用排序和打分-搜索的多阶转换网学习方法

针对现有学习方法主要用于先验网和一阶转换网,且对于多变量复杂转换网其效率和可靠性难以得到保障等问题,建立了一种从向量时间序列数据中发现多阶转换网的方法.在给出多阶数据集构造方法的基础上,通过条件相对平均熵计算建立完全有向无环图,并基于完全有向无环图排序结点,在结点顺序的基础上,通过局部打分-搜索建立转换网.这种方法将更加高效、可靠和实用.     

无向马尔科夫毯分类器与集成

无向马尔科夫毯结构是属性和类变量之间的最重要依赖结构之一,建立无向马尔科夫毯分类器的核心是无向马尔科夫毯结构学习。针对现有无向马尔科夫毯结构学习方法具有低效率和可靠性,以及不具实用性等问题,基于贝叶斯网络理论、马尔科夫网络理论和依赖分析方法进行具有多项式复杂度的无向马尔科夫毯结构和分类器学习,来避免这些问题。并建立最优性定理、可转换定理、可靠性定理和局部化定理为其提供理论依据。同时,对小例子集情况,给出了近似学习方法,并将无向马尔科夫毯分类器扩展为联合分类器,以有效地进行小例子集分类。     

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.     

基于打包的网络化系统的预测控制

采用了一种新的网络数据传输协议, 即输入与输出数据均打包传送. 在这种通讯协议下, 讨论了网络化系统的预测控制器的设计, 并作了稳定性分析. 证明了观测器与增广系统状态反馈的设计满足分离原理, 利用线性矩阵不等式给出了相应的控制器的设计. 通过一个数值例子验证该方法的有效性.     

一种新的贝叶斯网络增量学习方法

现有的贝叶斯网络增量学习方法忽略结构与参数变化的特点和内在联系,往往会降低更新后贝叶斯网络的可靠性.针对这一情况,提出了贝叶斯网络结构与参数变化并不同步,参数变化到一定程度将引起结构变化,并基于这种不同步性,给出了一种是否进行结构更新的判别方法,以及结构与参数更新的实现算法,实验结果显示,这种增量学习方法更加合理和可行.