Markov邏輯網(wǎng)的參數(shù)學習算法研究.pdf

1、Markov邏輯網(wǎng)是解決人工智能問題的一個工具，是一階邏輯與Markov網(wǎng)相結(jié)合的統(tǒng)計關(guān)系學習方法?，F(xiàn)有的Markov邏輯網(wǎng)學習算法主要有最大似然估計方法、最大偽似然估計方法、判別式訓練方法和基于Bayesian方法的最大偽后驗估計方法。判別式權(quán)值學習方法是學習使訓練樣本的條件對數(shù)似然最優(yōu)時的權(quán)值。本文圍繞判別式訓練方法展開研究，具體工作如下：
　　 1．在基于最大邊緣框架的Markov邏輯網(wǎng)判別式權(quán)值學習算法中，分別引入平方誤

2、差損失函數(shù)、絕對誤差損失函數(shù)、Hamming損失函數(shù)和F1損失函數(shù)，通過求解二次規(guī)劃問題，獲得不同損失函數(shù)下的權(quán)值，并將不同損失函數(shù)所求的權(quán)值作了比較，得出一種較好的損失函數(shù)來學習參數(shù)。
　　 2．將Markov邏輯網(wǎng)應(yīng)用于圖像的邊緣特征提取，首先對圖像進行分塊，然后對每一圖像塊構(gòu)建Markov邏輯網(wǎng)，利用基于最大邊緣框架的Markov邏輯網(wǎng)判別式權(quán)值學習算法進行權(quán)值學習，最后依據(jù)權(quán)值的大小確定邊緣。實驗結(jié)果表明，本文方法能提取