

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、貝葉斯網(wǎng)絡參數(shù)學習是貝葉斯網(wǎng)絡研究中的重點問題。有標記的訓練樣本充分時,極大似然估計方法是貝葉斯網(wǎng)絡參數(shù)學習典型且有效的方法。但當有標記的訓練數(shù)據(jù)稀少時,極大似然估計往往無法給出一致無偏的參數(shù)估計;此時,可通過先驗知識設計約束,進行有約束的極大似然估計,但實際應用中,先驗知識較難獲得。
遷移學習是一種將已有的、不同但相關(guān)域的知識遷移到目標域進行問題求解的機器學習方法。遷移學習的目標是從源域數(shù)據(jù)樣本中獲得域知識,并通過域知識遷移
2、,解決目標域上有標記的訓練數(shù)據(jù)過于稀少的學習問題。
針對有標記的訓練數(shù)據(jù)稀少、先驗知識缺乏情況下的貝葉斯網(wǎng)絡參數(shù)學習問題,將極大似然估計方法與遷移學習方法相結(jié)合,提出一種新的貝葉斯網(wǎng)絡參數(shù)遷移學習方法—TL-WMLE:應用SMOTE-N方法構(gòu)建輔助分類器,輔助分類器的分類結(jié)果用于計算源域數(shù)據(jù)權(quán)值;利用目標域數(shù)據(jù)和賦權(quán)的源域數(shù)據(jù),依據(jù)協(xié)變量偏移理論和貝葉斯網(wǎng)絡的模塊化理論,設計出目標域上的帶權(quán)似然函數(shù),估計目標域貝葉斯網(wǎng)絡參數(shù)。
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 貝葉斯網(wǎng)絡學習方法和算法研究.pdf
- 貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法的研究.pdf
- 貝葉斯網(wǎng)結(jié)構(gòu)學習方法研究.pdf
- 貝葉斯網(wǎng)絡局部因果結(jié)構(gòu)學習方法研究及其應用.pdf
- 貝葉斯網(wǎng)學習方法及應用研究.pdf
- 具有認知特性的貝葉斯網(wǎng)絡結(jié)構(gòu)學習方法研究.pdf
- 基于靈敏性分析的貝葉斯網(wǎng)絡擾動學習方法研究.pdf
- 模型無關(guān)的貝葉斯強化學習方法研究.pdf
- 基于貝葉斯學習方法的軟件成本估算模型研究.pdf
- 貝葉斯網(wǎng)絡
- 貝葉斯網(wǎng)絡研究.pdf
- 貝葉斯網(wǎng)絡簡介
- 貝葉斯網(wǎng)絡matlab
- 多維貝葉斯網(wǎng)絡分類器學習算法.pdf
- 貝葉斯網(wǎng)絡結(jié)構(gòu)增量學習研究.pdf
- 保護隱私的貝葉斯網(wǎng)絡學習研究.pdf
- 貝葉斯網(wǎng)絡結(jié)構(gòu)學習的混合優(yōu)化方法研究.pdf
- 基于貝葉斯網(wǎng)絡的學習與決策方法研究及應用.pdf
- 基于非參數(shù)貝葉斯方法的資產(chǎn)配置.pdf
- 一種樸素貝葉斯參數(shù)判別學習算法.pdf
評論
0/150
提交評論