基于領域知識的貝葉斯網(wǎng)絡學習研究.pdf

1、貝葉斯網(wǎng)是圖形表示和概率知識的有機結合，它揭示了領域?qū)ο蟮膬?nèi)在聯(lián)系，是復雜全概率分布的緊湊表達方式。其堅實的理論基礎，知識結構的自然表述，靈活的推理能力以及方便的決策機制使其應用范圍越來越廣泛。通常具有少數(shù)節(jié)點的網(wǎng)絡由專家構建是準確和高效的，但是當節(jié)點規(guī)模大幅度增加時，由專家構建網(wǎng)絡是既費時又費力的，而實踐中一般難以獲取大量的數(shù)據(jù)，即使擁有足夠的數(shù)據(jù)，但沒有領域知識的指導，學習算法也難以收斂到正確的網(wǎng)絡結構和網(wǎng)絡參數(shù)。鑒于此，本文嘗試在

2、貝葉斯網(wǎng)絡學習算法中引入領域知識，以提高算法的學習精度和執(zhí)行效率。本文的主要內(nèi)容如下： (1)貝葉斯網(wǎng)絡的概述。全面介紹和分析了貝葉斯網(wǎng)絡的研究背景、研究現(xiàn)狀和研究趨勢：貝葉斯網(wǎng)絡的基本原理；貝葉斯網(wǎng)絡的典型學習算法。 (2)EM算法是動態(tài)貝葉斯網(wǎng)絡參數(shù)學習的一種主要方法，收斂速度慢，算法執(zhí)行效率低是其主要缺點。本文通過將大規(guī)模時序數(shù)據(jù)集劃分為較小的數(shù)據(jù)塊，并通過塊間的循環(huán)迭代，增量式地更新似然函數(shù)和網(wǎng)絡參數(shù)，對傳統(tǒng)的E

3、M算法進行了改進。實驗表明改進的DA-EM算法在保證結果精度的前提下，在時間性能上有較大的提高。 (3)SEM算法雖可用于具有缺省數(shù)據(jù)的貝葉斯網(wǎng)絡結構的學習，卻需要用大的訓練樣本集來改善算法本身存在的一些缺陷，如：學習精度不夠高、算法收斂速度慢和容易陷入局部最優(yōu)。而現(xiàn)實中，很難搜集到足夠多的訓練樣本。本文提出結構學習改進算法KB-SEM，將專家知識以禁忌表的形式融入SEM算法中，以約束算法的搜索空間，達到提高SEM算法精度的目的