貝葉斯網(wǎng)絡建模及推理算法研究.pdf

1、貝葉斯網(wǎng)絡(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域的研究熱點之一.貝葉斯網(wǎng)絡建模技術與推理算法的研究是其理論與應用研究的核心和難點問題.本文對貝葉斯網(wǎng)絡建模技術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)絡參數(shù)學習和結構學習是貝葉斯網(wǎng)絡學習研究的熱點同時也是研究的難點.基于EM算法框架的BN學習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用的一個瓶頸問題.本文針對EM算法學習貝葉斯網(wǎng)絡參數(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)絡參數(shù)學習的速度.在此基礎上,深入分析了結構EM算法(SEM),用并行的方法來進行SEM算法的參數(shù)學習,從而提出一種并行的貝葉斯網(wǎng)絡結構學習算法.并行SEM算法(SEM).PL.SEM算法實現(xiàn)了并行計算期望充分統(tǒng)計因子和當前貝葉斯網(wǎng)絡的參數(shù),從而大大降低了結構學習的時間復雜性,也為并行的貝葉

3、斯網(wǎng)絡結構學習算法提供一個框架. (2) 在上述工作的基礎上,進一步通過實驗深入分析了在數(shù)據(jù)缺省的情況下領域知識對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,領域知識對BN結構學習起著至關重要作用.進而提出一種基于知識導向的SEM算法KL-SEM.實驗表明KL-SEM既可保證學習精度,又降低了結構搜索范圍. (3) 動態(tài)貝葉斯網(wǎng)絡(DBN)是貝葉斯網(wǎng)絡模型的擴展,是具有處理時序特征數(shù)據(jù)能力的復雜隨機模型

4、.在分析已有動態(tài)貝葉斯網(wǎng)絡結構學習算法的基礎上,本文提出一種基于進化馬爾可夫鏈蒙特卡羅算法的動態(tài)貝葉斯網(wǎng)結構學習算法DBN-EMC.實驗結果表明該算法不僅可有效的學習動態(tài)貝葉斯網(wǎng)絡的結構,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)絡的經(jīng)典的精確推理算法,但聯(lián)合樹構建中的三角化操作是