貝葉斯網(wǎng)絡(luò)建模及推理算法研究.pdf

1、貝葉斯網(wǎng)絡(luò)(BN)簡潔的不確定性知識表示形式和雙向的推理能力,使其成為人工智能領(lǐng)域的研究熱點之一.貝葉斯網(wǎng)絡(luò)建模技術(shù)與推理算法的研究是其理論與應(yīng)用研究的核心和難點問題.本文對貝葉斯網(wǎng)絡(luò)建模技術(shù)和推理算法中存在的一些問題做了深入的研究,具體的研究內(nèi)容如下: (1) 具有缺省數(shù)據(jù)或含有隱變量的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)是貝葉斯網(wǎng)絡(luò)學(xué)習(xí)研究的熱點同時也是研究的難點.基于EM算法框架的BN學(xué)習(xí)算法可以較好的處理上述問題.但該類算法易于

2、收斂到局部最優(yōu),同時計算量過大也是其應(yīng)用的一個瓶頸問題.本文針對EM算法學(xué)習(xí)貝葉斯網(wǎng)絡(luò)參數(shù)的計算問題,提出了一種并行EM算法提高大樣本條件下貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的速度.在此基礎(chǔ)上,深入分析了結(jié)構(gòu)EM算法(SEM),用并行的方法來進(jìn)行SEM算法的參數(shù)學(xué)習(xí),從而提出一種并行的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法.并行SEM算法(SEM).PL.SEM算法實現(xiàn)了并行計算期望充分統(tǒng)計因子和當(dāng)前貝葉斯網(wǎng)絡(luò)的參數(shù),從而大大降低了結(jié)構(gòu)學(xué)習(xí)的時間復(fù)雜性,也為并行的貝葉

3、斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法提供一個框架. (2) 在上述工作的基礎(chǔ)上,進(jìn)一步通過實驗深入分析了在數(shù)據(jù)缺省的情況下領(lǐng)域知識對SEM算法的影響,通過實驗分析得出:在數(shù)據(jù)缺省的小樣本條件下,領(lǐng)域知識對BN結(jié)構(gòu)學(xué)習(xí)起著至關(guān)重要作用.進(jìn)而提出一種基于知識導(dǎo)向的SEM算法KL-SEM.實驗表明KL-SEM既可保證學(xué)習(xí)精度,又降低了結(jié)構(gòu)搜索范圍. (3) 動態(tài)貝葉斯網(wǎng)絡(luò)(DBN)是貝葉斯網(wǎng)絡(luò)模型的擴(kuò)展,是具有處理時序特征數(shù)據(jù)能力的復(fù)雜隨機模型

4、.在分析已有動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法的基礎(chǔ)上,本文提出一種基于進(jìn)化馬爾可夫鏈蒙特卡羅算法的動態(tài)貝葉斯網(wǎng)結(jié)構(gòu)學(xué)習(xí)算法DBN-EMC.實驗結(jié)果表明該算法不僅可有效的學(xué)習(xí)動態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu),而且顯著地提高了算法的收斂速度. (4) 概率推理是貝葉斯網(wǎng)絡(luò)在處理不確定性問題過程中要解決的一個核心問題.貝葉斯網(wǎng)絡(luò)的推理算法分為精確推理和近似推理,都被證明是NP難題.聯(lián)合樹算法是貝葉斯網(wǎng)絡(luò)的經(jīng)典的精確推理算法,但聯(lián)合樹構(gòu)建中的三角化操作是