基于超結(jié)構(gòu)與隨機搜索的BN結(jié)構(gòu)學習算法.pdf

1、近年來，貝葉斯網(wǎng)絡(luò)(Bayesian network, BN)在不確定性知識表示與概率推理方面發(fā)揮著越來越重要的作用。作為一種重要的圖模型方法，該模型已被廣泛應用于生物信息學、金融預測分析、編碼學、數(shù)據(jù)挖掘與機器學習等領(lǐng)域。其中，BN結(jié)構(gòu)學習是BN推理研究中的重要問題，也是該模型推向應用的前提基礎(chǔ)。然而，當前較為流行的兩階段混合結(jié)構(gòu)學習算法中，大多存在兩個問題：第一階段無向超結(jié)構(gòu)學習中存在容易丟失弱關(guān)系的邊的問題；第二階段的爬山隨機搜索

2、時存在易陷入局部極值的問題。針對這些問題，本文基于超結(jié)構(gòu)和隨機搜索策略，研究了兩種 BN結(jié)構(gòu)的混合學習算法。具體研究內(nèi)容和創(chuàng)新之處包括：
　　第一，提出了基于超結(jié)構(gòu)和隨機搜索的SSRS算法。首先采用Opt01ss算法學習超結(jié)構(gòu)，盡可能地避免出現(xiàn)丟邊現(xiàn)象。然后，給出基于超結(jié)構(gòu)的兩種隨機搜索操作，分析初始網(wǎng)絡(luò)的隨機產(chǎn)生規(guī)則和對初始網(wǎng)絡(luò)的隨機優(yōu)化策略，重點提出 SSRS結(jié)構(gòu)學習算法，該算法在一定程度上可以很好地跳出局部最優(yōu)極值。

3、　　第二，提出了擴展的SSRS算法，即E-SSRS算法。在E-SSRS算法中，首先在初始網(wǎng)絡(luò)的選擇階段，增加了通過評分選擇對每條邊添加方向之步驟，使得選取的初始網(wǎng)絡(luò)更靠近最優(yōu)網(wǎng)絡(luò)。然后，在優(yōu)化階段，對刪邊策略進行了擴展，使用了基于馬爾科夫毯的策略對網(wǎng)絡(luò)進行修剪，進一步提出 E-SSRS算法。通過擴展，使該算法減少了搜索次數(shù)，進一步提高算法效率。
　　第三，設(shè)計并實現(xiàn)了 SSRS算法和 E-SSRS算法。分別在標準 Survey，A