基于結(jié)構(gòu)分解的貝葉斯網(wǎng)絡(luò)推理及其應(yīng)用研究.pdf

1、推理問(wèn)題是人工智能領(lǐng)域中的一個(gè)核心問(wèn)題。貝葉斯網(wǎng)絡(luò)以其強(qiáng)大的知識(shí)表示和推理能力,已成為當(dāng)前人工智能的一種主要自動(dòng)推理方法。然而,對(duì)于大規(guī)模復(fù)雜的貝葉斯網(wǎng)絡(luò)的精確推理已被證明是NP難題,因而以精度損失為代價(jià)提高推理時(shí)間的近似推理成為研究的主流。但是,近似推理在計(jì)算上仍然面臨著高復(fù)雜性難題,仍無(wú)法擺脫NP-Hard問(wèn)題的困擾。為此,基于概率圖模型的可分解性,本文基于不同的分解方法設(shè)計(jì)了兩種局部模型的近似抽樣推理算法,全文主要研究?jī)?nèi)容可以分為

2、以下幾個(gè)部分:
　　(1)簡(jiǎn)要介紹了貝葉斯網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)推理技術(shù),金融交易網(wǎng)絡(luò)及相關(guān)的研究現(xiàn)狀。
　　(2)為了兼顧推理精度和時(shí)間性能,提出了一種基于結(jié)構(gòu)分析的局部貝葉斯網(wǎng)絡(luò)Gibbs抽樣推理算法(LocalGibbsSamplinginferencealgorithmofBayesiannetworksBasedonStructuralanalysis,S-LGSI)。S-LGSI算法融合了局部抽樣和MCMC方法的思想。

3、S-LGSI算法基于聯(lián)合樹(shù)算法對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行分解,生成關(guān)于查詢結(jié)點(diǎn)的局部模型;然后,對(duì)局部網(wǎng)絡(luò)模型進(jìn)行Gibbs抽樣推理。通過(guò)對(duì)局部模型的抽樣,避免了對(duì)聯(lián)合樣本序列的統(tǒng)計(jì),有效降低了抽樣推理的計(jì)算維數(shù);同時(shí),由于局部模型包含了與查詢結(jié)點(diǎn)相關(guān)的重要信息,保證了局部抽樣推理的精度。算法的理論分析和實(shí)驗(yàn)結(jié)果均表明,S-LGSI算法有效了降低了推理時(shí)間,并在一定程度上提高了推理精度。S-LGSI算法應(yīng)用于上海證券交易所股票網(wǎng)絡(luò)的實(shí)證分析結(jié)果表

4、明:該算法具有很強(qiáng)的實(shí)用性。
　　(3)針對(duì)聯(lián)合樹(shù)算法三角化結(jié)果不唯一的問(wèn)題,提出了一種基于馬爾可夫毯分解的抽樣近似推理算法(AsamplingapproximateinferencealgorithmofBayesiannetworkbasedonMarkovBlanket,LSIA-MB)。LSIA-MB算法通過(guò)尋找查詢結(jié)點(diǎn)的馬爾可夫毯,對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行分解,以生成關(guān)于查詢結(jié)點(diǎn)的Markov局部網(wǎng)絡(luò)模型。進(jìn)而,在Markov局